論文の概要: Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models
- arxiv url: http://arxiv.org/abs/2401.07124v1
- Date: Sat, 13 Jan 2024 17:31:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 19:29:41.615567
- Title: Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models
- Title（参考訳）: 畳み込み型深層学習モデルによるコンクリート表面き裂検出
- Authors: Sara Shomal Zadeh, Sina Aalipour birgani, Meisam Khorshidi, Farhad
Kooban
- Abstract要約: き裂検出は、建物の構造的健康モニタリングと検査に重要である。
畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。
我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective crack detection is pivotal for the structural health monitoring and
inspection of buildings. This task presents a formidable challenge to computer
vision techniques due to the inherently subtle nature of cracks, which often
exhibit low-level features that can be easily confounded with background
textures, foreign objects, or irregularities in construction. Furthermore, the
presence of issues like non-uniform lighting and construction irregularities
poses significant hurdles for autonomous crack detection during building
inspection and monitoring. Convolutional neural networks (CNNs) have emerged as
a promising framework for crack detection, offering high levels of accuracy and
precision. Additionally, the ability to adapt pre-trained networks through
transfer learning provides a valuable tool for users, eliminating the need for
an in-depth understanding of algorithm intricacies. Nevertheless, it is
imperative to acknowledge the limitations and considerations when deploying
CNNs, particularly in contexts where the outcomes carry immense significance,
such as crack detection in buildings. In this paper, our approach to surface
crack detection involves the utilization of various deep-learning models.
Specifically, we employ fine-tuning techniques on pre-trained deep learning
architectures: VGG19, ResNet50, Inception V3, and EfficientNetV2. These models
are chosen for their established performance and versatility in image analysis
tasks. We compare deep learning models using precision, recall, and F1 scores.
- Abstract（参考訳）: 効果的ひび割れ検出は,建物の構造的健康モニタリングと検査に不可欠である。
この課題は、クラックの本質的に微妙な性質から、背景のテクスチャや異物、建設における不規則さと容易に結合できる低レベルの特徴をしばしば示しているため、コンピュータビジョン技術に深刻な課題をもたらす。
さらに、不均一な照明や建築の不規則性といった問題の存在は、建物の検査や監視において自律的な亀裂検出に重大な障害をもたらす。
畳み込みニューラルネットワーク(cnns)は、クラック検出の有望なフレームワークとして登場し、高いレベルの精度と精度を提供する。
さらに、トランスファーラーニングを通じて事前トレーニングされたネットワークを適用する能力は、アルゴリズムの複雑さを深く理解する必要をなくし、ユーザに貴重なツールを提供する。
それにもかかわらず、CNNの展開時の限界や考慮事項、特に建物内の亀裂検出などの結果が大きな意味を持つ状況において、認識することが不可欠である。
本稿では,様々なディープラーニングモデルを用いた表面き裂検出手法について述べる。
具体的には,事前トレーニングされたディープラーニングアーキテクチャ – vgg19,resnet50,inception v3, efficientnetv2 – では,微調整技術を採用しています。
これらのモデルは、画像解析タスクにおける確立された性能と汎用性のために選択される。
精度,リコール,f1スコアを用いて,ディープラーニングモデルを比較する。
関連論文リスト
- Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization [3.1687473999848836]
亀裂検出は、道路、橋、建物などのインフラの維持と安全性において重要な役割を担っている。
伝統的に手動検査が標準であったが、労働集約的で主観的で危険である。
本稿では, 深層学習, 移動学習, 空間的注意機構, 遺伝的アルゴリズム(GA)最適化を活用した, インフラのひび割れ検出のための高度な手法を提案する。
論文 参考訳（メタデータ） (2024-11-26T06:12:56Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - CNN-Based Structural Damage Detection using Time-Series Sensor Data [0.0]
本研究では,新しいコナールニューラルネットワーク(CNN)アルゴリズムを用いて,構造損傷検出の革新的なアプローチを提案する。
時系列データは、提案したニューラルネットワークを用いて2つのカテゴリに分けられる。
その結果,新しいCNNアルゴリズムは構造劣化の発見に極めて正確であることが示唆された。
論文 参考訳（メタデータ） (2023-11-07T11:57:33Z) - Neural Architecture Design and Robustness: A Dataset [11.83842808044211]
ニューラルアーキテクチャ設計とロバストネス評価に関するデータベースを導入する。
我々は、これらのネットワークを、様々な共通の敵攻撃や汚職タイプで評価する。
ネットワークのトポロジを慎重に構築することは、その堅牢性に大きな影響を与える可能性がある。
論文 参考訳（メタデータ） (2023-06-11T16:02:14Z) - Detection of Pavement Cracks by Deep Learning Models of Transformer and
UNet [9.483452333312373]
近年、深層学習技術の出現と発展は、表面き裂検出を容易にする大きな可能性を示している。
本研究では, モデル精度, 計算複雑性, モデル安定性により, 舗装面き裂検出の性能を評価するために, 9つの有望なモデルについて検討した。
一般に、トランスフォーマーベースのモデルは、トレーニングプロセス中に収束しやすく、精度が高いが、通常、メモリ消費が増加し、処理効率が低下する。
論文 参考訳（メタデータ） (2023-04-25T06:07:49Z) - A Comprehensive Study on Robustness of Image Classification Models:
Benchmarking and Rethinking [54.89987482509155]
ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。
画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。
それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
論文 参考訳（メタデータ） (2023-02-28T04:26:20Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - Explainable Adversarial Attacks in Deep Neural Networks Using Activation
Profiles [69.9674326582747]
本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。
これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
論文 参考訳（メタデータ） (2021-03-18T13:04:21Z) - A Hierarchical Deep Convolutional Neural Network and Gated Recurrent
Unit Framework for Structural Damage Detection [0.0]
本稿では,空間的・時間的関係をモデル化する新しい階層型CNNと Gated Recurrent Unit (GRU) フレームワークを提案する。
提案したHCGは,既存の構造損傷検出法よりも優れていた。
論文 参考訳（メタデータ） (2020-05-29T07:55:04Z)
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。