論文の概要: A Novel Approach for Defect Detection of Wind Turbine Blade Using
Virtual Reality and Deep Learning
- arxiv url: http://arxiv.org/abs/2401.00237v1
- Date: Sat, 30 Dec 2023 13:58:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 18:17:52.721002
- Title: A Novel Approach for Defect Detection of Wind Turbine Blade Using
Virtual Reality and Deep Learning
- Title(参考訳): バーチャルリアリティとディープラーニングを用いた風車ブレードの欠陥検出の一手法
- Authors: Md Fazle Rabbi, Solayman Hossain Emon, Ehtesham Mahmud Nishat,
Tzu-Liang (Bill) Tseng, Atira Ferdoushi, Chun-Che Huang and Md Fashiar Rahman
- Abstract要約: 風力タービンの仮想モデルを構築し,4種類の共通欠陥に対する近接現実像を合成する。
第2のステップでは、タービンブレードの欠陥を分類してセグメント化するために、カスタマイズされたU-Netアーキテクチャが訓練されている。
提案手法は,航空機による自律的,遠隔的検査に適した,適切な欠陥検出精度を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wind turbines are subjected to continuous rotational stresses and unusual
external forces such as storms, lightning, strikes by flying objects, etc.,
which may cause defects in turbine blades. Hence, it requires a periodical
inspection to ensure proper functionality and avoid catastrophic failure. The
task of inspection is challenging due to the remote location and inconvenient
reachability by human inspection. Researchers used images with cropped defects
from the wind turbine in the literature. They neglected possible background
biases, which may hinder real-time and autonomous defect detection using aerial
vehicles such as drones or others. To overcome such challenges, in this paper,
we experiment with defect detection accuracy by having the defects with the
background using a two-step deep-learning methodology. In the first step, we
develop virtual models of wind turbines to synthesize the near-reality images
for four types of common defects - cracks, leading edge erosion, bending, and
light striking damage. The Unity perception package is used to generate wind
turbine blade defects images with variations in background, randomness, camera
angle, and light effects. In the second step, a customized U-Net architecture
is trained to classify and segment the defect in turbine blades. The outcomes
of U-Net architecture have been thoroughly tested and compared with 5-fold
validation datasets. The proposed methodology provides reasonable defect
detection accuracy, making it suitable for autonomous and remote inspection
through aerial vehicles.
- Abstract(参考訳): 風力タービンは連続的な回転応力と、嵐、雷、飛行物体による打撃などの異常な外部力を受けており、タービンブレードに欠陥を引き起こす可能性がある。
したがって、適切な機能を確保し、破滅的な失敗を避けるために定期的な検査が必要である。
遠隔地と人間の検査による不便な到達性のため,検査作業は困難である。
研究チームは、風力タービンの切り欠きのある画像を文献で使用しました。
彼らは背景バイアスを無視し、ドローンなどの航空機を用いたリアルタイムおよび自律的な欠陥検出を妨げる可能性がある。
このような課題を克服するために,本研究では,2段階の深層学習手法を用いて,背景に欠陥を持つ欠陥検出精度を実験する。
第1段階では, 風力タービンの仮想モデルを開発し, き裂, エッジエロージョン, 曲げ, 光衝撃損傷の4種類の共通欠陥に対して, 近相対画像合成を行う。
ユニティ知覚パッケージは、背景、ランダム性、カメラアングル、光効果の異なる風力タービンブレード欠陥画像を生成するために使用される。
第2のステップでは、タービンブレードの欠陥を分類し分割するためにカスタマイズされたu-netアーキテクチャを訓練する。
U-Netアーキテクチャの結果は、完全にテストされ、5倍の検証データセットと比較されている。
提案手法は,航空機による自律的および遠隔探査に適した,合理的な欠陥検出精度を提供する。
関連論文リスト
- Barely-Visible Surface Crack Detection for Wind Turbine Sustainability [0.0]
本稿では,多くの風車検査から収集したほとんど見えないヘアラインひび割れのデータセットについて紹介する。
本データセットの有効性を証明するため, エンド・ツー・エンドのタービンき裂検出パイプラインについて詳述した。
論文 参考訳(メタデータ) (2024-07-09T19:03:48Z) - Automated Optical Inspection of FAST's Reflector Surface using Drones
and Computer Vision [15.563799757564663]
直径5メートルの球状電波望遠鏡(英: Five-hundred-meter Aperture Spherical Radio Telescope、FAST)は、世界最大の電波望遠鏡である。
FASTの大きな反射面は前代未聞の感度を達成するが、自然に落下する物体によって引き起こされるデントや穴などの損傷を受けやすい。
この研究は、ディープラーニング技術とドローン技術を統合することで、FASTの検査を自動化するための第一歩となる。
当社のAIによるドローンによる自動検査は、時間効率が高く、信頼性が高く、アクセシビリティも良好で、FASTの長期的かつ安定した運用を保証する。
論文 参考訳(メタデータ) (2022-12-18T08:34:05Z) - Computer Vision based inspection on post-earthquake with UAV synthetic
dataset [0.0]
本稿では,相互に相互接続した深層機械学習モデルを用いて,突発的事象後の損傷検出問題に対する革新的なアプローチを提案する。
パイプラインのモデルは合成データセットで訓練され、実際の状況下で無人航空機(UAV)でさらに評価され使用されるように適応された。
建物の欠陥を検知し、構造を構成要素に分割し、単一のドローン飛行に基づいて技術的条件を推定する上で、高い精度を得ることができる。
論文 参考訳(メタデータ) (2022-10-11T09:27:07Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳(メタデータ) (2022-08-24T03:13:04Z) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳(メタデータ) (2022-07-20T17:09:16Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳(メタデータ) (2022-07-13T13:59:59Z) - Semi-Supervised Surface Anomaly Detection of Composite Wind Turbine
Blades From Drone Imagery [17.639472693362926]
BladeNetは、教師なしタービンブレードの検出と抽出の両方を行うアプリケーションベースで堅牢なデュアルアーキテクチャである。
我々の二重構造はガラス繊維複合材ブレードの表面欠陥を高い適性で検出する。
BladeNetは、オフショア風力タービンのためのOrstedブレード検査データセットで0.995のAverage Precision(AP)を、デンマーク工科大学(DTU)のNordTankタービン検査データセットで0.223のAverage Precision(AP)を生成しています。
論文 参考訳(メタデータ) (2021-12-01T15:20:12Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳(メタデータ) (2021-11-23T08:04:32Z) - Wind Turbine Blade Surface Damage Detection based on Aerial Imagery and
VGG16-RCNN Framework [0.0]
風車翼面損傷検出のための画像解析に基づくディープラーニングフレームワークを提案する。
このアプローチはマルチクラスの教師付き学習問題としてモデル化されており、畳み込みニューラルネットワーク(CNN)、VGG16-RCNN、AlexNetなどのディープラーニング手法がテストされている。
論文 参考訳(メタデータ) (2021-08-19T12:00:13Z) - Reference-based Defect Detection Network [57.89399576743665]
最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。
第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。
本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
論文 参考訳(メタデータ) (2021-08-10T05:44:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。