論文の概要: ENSTRECT: A Stage-based Approach to 2.5D Structural Damage Detection
- arxiv url: http://arxiv.org/abs/2401.03298v2
- Date: Wed, 02 Oct 2024 20:24:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-04 23:29:41.631326
- Title: ENSTRECT: A Stage-based Approach to 2.5D Structural Damage Detection
- Title(参考訳): ENSTRECT:2.5次元構造損傷検出のためのステージベースアプローチ
- Authors: Christian Benz, Volker Rodehorst,
- Abstract要約: ENSTRECTは2.5D構造損傷検出を実現するためのステージベースのアプローチである。
ローカライゼーション耐性は4cmであり、ひび割れの90%以上、腐食の82%、スポーリングの41%のIoUを達成できる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: To effectively assess structural damage, it is essential to localize the instances of damage in the physical world of a civil structure. ENSTRECT is a stage-based approach designed to accomplish 2.5D structural damage detection. The method requires an image collection, the relative orientation, and a point cloud. Using these inputs, surface damages are segmented at the image level and then mapped into the point cloud space, resulting in a segmented point cloud. To enable further quantitative analyses, the segmented point cloud is transformed into measurable damage instances: cracks are extracted by contracting the clustered point cloud into a corresponding medial axis. For areal damages, such as spalling and corrosion, a procedure is proposed to compute the bounding polygon based on PCA and alpha shapes. With a localization tolerance of 4cm, ENSTRECT can achieve IoUs of over 90% for cracks, 82% for corrosion, and 41% for spalling. Detection at the instance level yields an AP50 of about 45% (cracks, spalling) and 56% (corrosion).
- Abstract(参考訳): 構造的損傷を効果的に評価するためには、土木構造物の物理的世界における損傷事例の局在化が不可欠である。
ENSTRECTは2.5D構造損傷検出を実現するためのステージベースのアプローチである。
この方法は画像収集、相対方位、点雲を必要とする。
これらの入力を用いて、表面の損傷は画像レベルでセグメンテーションされ、それからポイントクラウド空間にマッピングされ、セグメンテーションされたポイントクラウドとなる。
さらに定量的な分析を可能にするために、セグメント化された点雲を測定可能な損傷インスタンスに変換し、クラスタ化された点雲を対応する中間軸に収縮させることで亀裂を抽出する。
スパリングや腐食などのアリーナ損傷に対しては,PCAおよびアルファ形状に基づいて境界ポリゴンを計算する手法が提案されている。
ローカライゼーション耐性は4cmであり、ひび割れの90%以上、腐食の82%、スポーリングの41%のIoUを達成できる。
インスタンスレベルの検出では、AP50は約45%(ラック、スポーリング)、56%(腐食)となる。
関連論文リスト
- R3D-AD: Reconstruction via Diffusion for 3D Anomaly Detection [12.207437451118036]
3次元異常検出は、精密製造における局所固有の欠陥のモニタリングにおいて重要な役割を担っている。
埋め込みベースおよび再構築ベースのアプローチは、最も人気があり、成功した方法の一つである。
本稿では, 高精度な3次元異常検出のための拡散モデルにより, 異常点雲を再構成するR3D-ADを提案する。
論文 参考訳(メタデータ) (2024-07-15T16:10:58Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Towards Scalable 3D Anomaly Detection and Localization: A Benchmark via
3D Anomaly Synthesis and A Self-Supervised Learning Network [22.81108868492533]
本稿では,既存の大規模3次元モデルに適応して3次元異常検出を行うための3次元異常合成パイプラインを提案する。
Anomaly-ShapeNetは、40カテゴリ以下の1600点のクラウドサンプルで構成され、リッチで多様なデータ収集を提供する。
また、3次元異常局所化のためのスケーラブルな表現学習を可能にする自己教師型マスク再構成ネットワーク(IMRNet)を提案する。
論文 参考訳(メタデータ) (2023-11-25T01:45:09Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳(メタデータ) (2023-08-29T17:58:55Z) - Classification of structural building damage grades from multi-temporal
photogrammetric point clouds using a machine learning model trained on
virtual laser scanning data [58.720142291102135]
実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。
我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。
このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
論文 参考訳(メタデータ) (2023-02-24T12:04:46Z) - Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。
また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。
DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
論文 参考訳(メタデータ) (2022-05-23T23:05:07Z) - The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and
Localization [17.437967037670813]
教師なし異常検出と局所化のタスクのための,最初の包括的3Dデータセットを提案する。
これは、モデルが製造された製品の様々な種類の欠陥を検出する必要がある実世界の視覚検査シナリオにインスパイアされている。
論文 参考訳(メタデータ) (2021-12-16T17:35:51Z) - 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D
Object Detection [111.32054128362427]
安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。
トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。
我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
論文 参考訳(メタデータ) (2021-12-09T08:50:54Z) - PointCrack3D: Crack Detection in Unstructured Environments using a
3D-Point-Cloud-Based Deep Neural Network [20.330700719146215]
本稿では,非構造面に対する新しい3Dポイント・クラウド・ベースのき裂検出アルゴリズムであるPointCrack3Dを提案する。
この手法は、新しい大きな天然岩のデータセットで実験的に検証された。
その結果, ひび割れ検出率は全体の97%, ひび割れの100%であり, 最大幅は3cm以上であった。
論文 参考訳(メタデータ) (2021-11-23T02:33:18Z) - Seismic Fault Segmentation via 3D-CNN Training by a Few 2D Slices Labels [6.963867115353744]
我々は3次元地震データから2次元スライスをサンプリングし,新しい2次元クロスエントロピーと滑らかなL1損失を3D-CNNの訓練に適用する。
実験により,実データから2次元スライスラベルから3次元地震特性を抽出し,断層容積を分割できることを示した。
論文 参考訳(メタデータ) (2021-05-09T07:13:40Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳(メタデータ) (2021-03-30T10:38:01Z)
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。