論文の概要: Vision-based autonomous structural damage detection using data-driven methods

• arxiv url: http://arxiv.org/abs/2501.16662v2
• Date: Thu, 30 Jan 2025 18:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 11:53:01.957021
• Title: Vision-based autonomous structural damage detection using data-driven methods
• Title（参考訳）: データ駆動法による視覚に基づく自律的構造損傷検出
• Authors: Seyyed Taghi Ataei, Parviz Mohammad Zadeh, Saeid Ataei,
• Abstract要約: 本研究は, 風力タービン構造物の効率, 高精度な損傷検出の必要性に対処するものである。 手動評価や非破壊検査(NDT)のような従来の検査手法は、しばしばコストがかかり、時間がかかり、人的ミスを起こしやすい。 これらの課題に対処するため,視覚に基づく構造的健康モニタリングのための高度なディープラーニングアルゴリズムについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study addresses the urgent need for efficient and accurate damage detection in wind turbine structures, a crucial component of renewable energy infrastructure. Traditional inspection methods, such as manual assessments and non-destructive testing (NDT), are often costly, time-consuming, and prone to human error. To tackle these challenges, this research investigates advanced deep learning algorithms for vision-based structural health monitoring (SHM). A dataset of wind turbine surface images, featuring various damage types and pollution, was prepared and augmented for enhanced model training. Three algorithms-YOLOv7, its lightweight variant, and Faster R-CNN- were employed to detect and classify surface damage. The models were trained and evaluated on a dataset split into training, testing, and evaluation subsets (80%-10%-10%). Results indicate that YOLOv7 outperformed the others, achieving 82.4% mAP@50 and high processing speed, making it suitable for real-time inspections. By optimizing hyperparameters like learning rate and batch size, the models' accuracy and efficiency improved further. YOLOv7 demonstrated significant advancements in detection precision and execution speed, especially for real-time applications. However, challenges such as dataset limitations and environmental variability were noted, suggesting future work on segmentation methods and larger datasets. This research underscores the potential of vision-based deep learning techniques to transform SHM practices by reducing costs, enhancing safety, and improving reliability, thus contributing to the sustainable maintenance of critical infrastructure and supporting the longevity of wind energy systems.
• Abstract（参考訳）: 本研究は, 再生可能エネルギーインフラの重要な構成要素である風力タービン構造物の効率, 高精度な損傷検出の必要性に対処するものである。 手動評価や非破壊検査(NDT)のような従来の検査手法は、しばしばコストがかかり、時間がかかり、人的ミスを起こしやすい。 これらの課題に対処するために、視覚に基づく構造的健康モニタリング(SHM)のための高度なディープラーニングアルゴリズムについて検討する。 各種の損傷タイプと汚染を特徴とする風車表面画像のデータセットを作成し, モデルトレーニングの強化を目的とした。 3つのアルゴリズム、YOLOv7、その軽量版、およびより高速なR-CNNを使用して表面損傷を検出し分類した。 モデルはトレーニングされ、データセット上でトレーニング、テスト、評価サブセット(80%-10%-10%)に分割された。 その結果、YOLOv7は他のものよりも優れており、82.4%のmAP@50と高速な処理が可能であり、リアルタイム検査に適していることが示唆された。 学習率やバッチサイズなどのハイパーパラメータを最適化することにより、モデルの精度と効率はさらに向上した。 YOLOv7は、特にリアルタイムアプリケーションにおいて、検出精度と実行速度が大幅に向上したことを示した。 しかし、データセットの制限や環境変動性といった課題が指摘され、セグメンテーション手法やより大きなデータセットに関する今後の研究が示唆された。 本研究は、コスト削減、安全性の向上、信頼性の向上によりSHMの実践を変革するビジョンベースのディープラーニング技術の可能性を強調し、重要なインフラの持続的維持と風力エネルギーシステムの長寿命化に寄与する。

関連論文リスト

• Addressing the Pitfalls of Image-Based Structural Health Monitoring: A Focus on False Positives, False Negatives, and Base Rate Bias [0.0]
  本研究では, 画像に基づく構造的健康モニタリング技術(SHM)の限界について検討した。 画像ベースのSHMの信頼性は、偽陽性、偽陰性、環境変動などの課題に影響を受けている。 複数のデータソースを組み合わせたハイブリッドシステムなど、これらの制限を緩和するための戦略について議論する。
  論文  参考訳（メタデータ） (2024-10-27T09:15:05Z)
• Virtual Sensing-Enabled Digital Twin Framework for Real-Time Monitoring of Nuclear Systems Leveraging Deep Neural Operators [0.36651088217486427]
  本稿では,デジタルツインフレームワークのコアコンポーネントとしてDeepOperator Networks (DeepONet) を導入する。 DeepONetは動的でスケーラブルな仮想センサとして機能し、操作された入力パラメータと空間的に分散されたシステムの振る舞いの間の相互作用を正確にマッピングする。 この結果から,DeepONetは平均二乗誤差と相対L2誤差で精度の高い予測を行い,従来のCFDシミュレーションの1400倍の精度で未知データの予測を行うことができた。
  論文  参考訳（メタデータ） (2024-10-17T16:56:04Z)
• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• 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 Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head [0.0]
  現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
  論文  参考訳（メタデータ） (2023-03-07T22:53:36Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• 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)
• Benchmarking Detection Transfer Learning with Vision Transformers [60.97703494764904]
  オブジェクト検出メソッドの複雑さは、ViT(Vision Transformer)モデルのような新しいアーキテクチャが到着するときに、ベンチマークを非簡単にする。 本研究では,これらの課題を克服し,標準的なVTモデルをMask R-CNNのバックボーンとして活用する訓練手法を提案する。 その結果,最近のマスキングに基づく教師なし学習手法は,COCOにおける説得力のあるトランスファー学習改善をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2021-11-22T18:59:15Z)

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。