論文の概要: Automatic Defect Detection in Sewer Network Using Deep Learning Based Object Detector
- arxiv url: http://arxiv.org/abs/2404.06219v1
- Date: Tue, 9 Apr 2024 11:13:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 15:00:05.055482
- Title: Automatic Defect Detection in Sewer Network Using Deep Learning Based Object Detector
- Title(参考訳): 深層学習型物体検出器を用いた下水道網の欠陥自動検出
- Authors: Bach Ha, Birgit Schalter, Laura White, Joachim Koehler,
- Abstract要約: 様々な下水道管14.7kmのデータセットに注釈が付された。
オブジェクト検出器(EfficientDet-D0)が自動欠陥検出のために訓練された。
テストセットの83%の欠陥を検出することができ、欠落した17%のうち、非常に深刻な欠陥はわずか0.77%であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Maintaining sewer systems in large cities is important, but also time and effort consuming, because visual inspections are currently done manually. To reduce the amount of aforementioned manual work, defects within sewer pipes should be located and classified automatically. In the past, multiple works have attempted solving this problem using classical image processing, machine learning, or a combination of those. However, each provided solution only focus on detecting a limited set of defect/structure types, such as fissure, root, and/or connection. Furthermore, due to the use of hand-crafted features and small training datasets, generalization is also problematic. In order to overcome these deficits, a sizable dataset with 14.7 km of various sewer pipes were annotated by sewer maintenance experts in the scope of this work. On top of that, an object detector (EfficientDet-D0) was trained for automatic defect detection. From the result of several expermients, peculiar natures of defects in the context of object detection, which greatly effect annotation and training process, are found and discussed. At the end, the final detector was able to detect 83% of defects in the test set; out of the missing 17%, only 0.77% are very severe defects. This work provides an example of applying deep learning-based object detection into an important but quiet engineering field. It also gives some practical pointers on how to annotate peculiar "object", such as defects.
- Abstract(参考訳): 大都市における下水道システムの維持は重要であるが、現在、視覚検査が手作業で行われているため、時間と労力がかかる。
上記の手作業の量を減らすため、下水道管内の欠陥を自動的に見つけて分類する必要がある。
これまでは、古典的な画像処理や機械学習、あるいはそれらの組み合わせを使って、この問題を解決してきた研究がいくつかあった。
しかし、提供された各ソリューションは、フィジャー、ルート、および/または接続のような、限定された欠陥/構造タイプの検出のみに焦点を当てている。
さらに、手作りの特徴と小さなトレーニングデータセットの使用により、一般化も問題となる。
これらの欠点を克服するために、様々な下水道管14.7kmの巨大なデータセットが、この作業の範囲内で下水道保守の専門家によって注釈付けされた。
その上、オブジェクト検出器(EfficientDet-D0)が自動欠陥検出のために訓練された。
いくつかのエクセレミタンスの結果から,アノテーションやトレーニングプロセスに大きな影響を及ぼすオブジェクト検出の文脈における欠陥の特異な性質を発見し,議論した。
結局、最終検出器はテストセットの83%の欠陥を検出することができ、17%の欠陥のうち、非常に深刻な欠陥はわずか0.77%であった。
この研究は、ディープラーニングに基づくオブジェクト検出を、重要だが静かなエンジニアリング分野に適用する例を提供する。
また、欠陥のような特異な"オブジェクト"に注釈を付けるための実践的なポインタも提供します。
関連論文リスト
- Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。
KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。
RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文 参考訳(メタデータ) (2024-09-09T13:56:22Z) - SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳(メタデータ) (2024-07-23T20:34:23Z) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳(メタデータ) (2024-07-17T09:27:41Z) - Overhead Line Defect Recognition Based on Unsupervised Semantic
Segmentation [8.672676348736834]
オーバーヘッドラインインスペクションは、可視光画像を用いた欠陥認識の恩恵が大きい。
本稿では,Faster RCNNネットワーク上に構築された新しい欠陥認識フレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-02T03:52:59Z) - Engineering deep learning methods on automatic detection of damage in
infrastructure due to extreme events [0.38233569758620045]
本稿では,深層学習を用いた極端な事象における自動構造損傷検出(SDD)に関する実験的検討を行った。
最初の研究では、152層のResidual Network(ResNet)を用いて8つのSDDタスクで複数のクラスを分類する。
その結果,損傷検出の精度はセグメンテーションネットワークのみを用いた場合に比べて有意に向上した。
論文 参考訳(メタデータ) (2022-05-01T19:55:56Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳(メタデータ) (2020-11-17T09:39:42Z) - Instance-aware, Context-focused, and Memory-efficient Weakly Supervised
Object Detection [184.563345153682]
我々は、弱教師付き学習のためのインスタンス認識とコンテキスト重視の統合フレームワークを開発する。
メモリ効率の高いシーケンシャルバッチバックプロパゲーションを考案しながら、インスタンス対応の自己学習アルゴリズムと学習可能なコンクリートドロップブロックを採用している。
提案手法はCOCO(12.1% AP$、24.8% AP_50$)、VOC 2007(54.9% AP$)、VOC 2012(52.1% AP$)の最先端結果である。
論文 参考訳(メタデータ) (2020-04-09T17:57:09Z) - Effect of Annotation Errors on Drone Detection with YOLOv3 [14.519138724931446]
本研究では,物体検出問題に対する異なる種類のアノテーション誤差をシミュレートし,一般的な最先端物体検出装置であるYOLOv3の性能について検討する。
CVPR-2020 Anti-UAV Challengeデータセットにおける必然的アノテーションエラーについても,この方法で検討した。
論文 参考訳(メタデータ) (2020-04-02T15:06:14Z) - Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。
提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
論文 参考訳(メタデータ) (2020-02-11T20:49:34Z) - Semi-supervised Anomaly Detection using AutoEncoders [0.0]
異常検出(英: Anomaly detection)とは、通常のデータから際立った異常なインスタンスを見つけるタスクである。
本稿では,異常検出のための畳み込み自動エンコーダアーキテクチャを提案する。
このアプローチは2つのデータセットでテストされ、平均F1スコア0.885を達成しました。
論文 参考訳(メタデータ) (2020-01-06T23:06:28Z)
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。