論文の概要: Using machine learning for fault detection in lighthouse light sensors

• arxiv url: http://arxiv.org/abs/2409.05495v1
• Date: Mon, 9 Sep 2024 10:47:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 15:00:05.352502
• Title: Using machine learning for fault detection in lighthouse light sensors
• Title（参考訳）: 機械学習による灯台光センサの故障検出
• Authors: Michael Kampouridis, Nikolaos Vastardis, George Rayment,
• Abstract要約: 本稿では,灯台光センサの異常を自動的に検出する,革新的な機械学習手法を提案する。 決定木,無作為林,極勾配促進,多層パーセプトロンの4つの異なるアルゴリズムを評価した。 以上の結果より, 多層パーセプトロンが最も有効であり, 10～15分以内の時間差を検出できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.474723404975345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lighthouses play a crucial role in ensuring maritime safety by signaling hazardous areas such as dangerous coastlines, shoals, reefs, and rocks, along with aiding harbor entries and aerial navigation. This is achieved through the use of photoresistor sensors that activate or deactivate based on the time of day. However, a significant issue is the potential malfunction of these sensors, leading to the gradual misalignment of the light's operational timing. This paper introduces an innovative machine learning-based approach for automatically detecting such malfunctions. We evaluate four distinct algorithms: decision trees, random forest, extreme gradient boosting, and multi-layer perceptron. Our findings indicate that the multi-layer perceptron is the most effective, capable of detecting timing discrepancies as small as 10-15 minutes. This accuracy makes it a highly efficient tool for automating the detection of faults in lighthouse light sensors.
• Abstract（参考訳）: 灯台は、危険な海岸線、浅瀬、サンゴ礁、岩などの危険な地域や、港の入り口や航空航行を知らせることによって、海洋の安全を確保する上で重要な役割を担っている。 これは、日時に基づいて活性化または不活性化するフォトレジストレータセンサーを使用することによって達成される。 しかし、重要な問題はこれらのセンサーの潜在的な機能不全であり、光の動作タイミングが徐々にずれることになる。 本稿では,このような異常を自動的に検出する,革新的な機械学習手法を提案する。 決定木,無作為林,極勾配促進,多層パーセプトロンの4つの異なるアルゴリズムを評価した。 以上の結果より, 多層パーセプトロンが最も有効であり, 10～15分以内の時間差を検出できることが示唆された。 この精度は、灯台光センサーの欠陥検出を自動化するための非常に効率的なツールとなる。

関連論文リスト

• Robust Long-Range Perception Against Sensor Misalignment in Autonomous Vehicles [3.0593269548196123]
  センサーの配置が小さくても、特に長距離での出力が著しく低下する可能性がある。 本稿では,センサの相違点を検出する,単純で汎用的で効率的なマルチタスク学習手法を実証する。 また, 補正の不確かさを予測し, 予測誤認識値のフィルタリングや拡散に役立てることができる。
  論文  参考訳（メタデータ） (2024-08-20T21:06:05Z)
• One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation [1.0359008237358598]
  マスク付きモデルと自己教師型学習を用いたセンサ故障検出のための新しいフレームワークを提案する。 提案手法を,オフショアGE風力タービンのパブリックデータセットと実世界のデータセットの両方で検証する。 提案手法は,センサ計測の精度と信頼性をリアルタイムに向上する可能性がある。
  論文  参考訳（メタデータ） (2024-03-24T13:44:57Z)
• Multi-Modal Neural Radiance Field for Monocular Dense SLAM with a Light-Weight ToF Sensor [58.305341034419136]
  単眼カメラと軽量ToFセンサを備えた初の高密度SLAMシステムを提案する。 本稿では,RGBカメラと軽量ToFセンサの両方の信号のレンダリングをサポートするマルチモーダル暗黙のシーン表現を提案する。 実験により,本システムは軽量なToFセンサの信号をうまく利用し,競合的な結果が得られることが示された。
  論文  参考訳（メタデータ） (2023-08-28T07:56:13Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Design of Sensor Fusion Driver Assistance System for Active Pedestrian Safety [0.0]
  本稿では,カメラと1次元光検出とオブジェクト検出のための距離(ライダー)センサを組み合わせたセンサ融合検出システムを提案する。 提案システムは,車両前方における歩行者や物体検出の高精度化を実現し,特殊環境に対するロバスト性が高い。
  論文  参考訳（メタデータ） (2022-01-23T08:52:32Z)
• Detecting and Identifying Optical Signal Attacks on Autonomous Driving Systems [25.32946739108013]
  攻撃対象のセンサーを検知・識別する枠組みを提案する。 具体的には、3つのセンサーからなるシステムに対する攻撃を検知する新しい手法を最初に開発する。 本研究では,実データと最先端機械学習モデルを用いて,攻撃検出手法の評価を行う。
  論文  参考訳（メタデータ） (2021-10-20T12:21:04Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
  本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
  論文  参考訳（メタデータ） (2021-04-29T10:06:29Z)

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。