論文の概要: Event Classification of Accelerometer Data for Industrial Package Monitoring with Embedded Deep Learning

• arxiv url: http://arxiv.org/abs/2506.05435v1
• Date: Thu, 05 Jun 2025 09:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.162954
• Title: Event Classification of Accelerometer Data for Industrial Package Monitoring with Embedded Deep Learning
• Title（参考訳）: 組み込み深層学習を用いた産業パッケージモニタリングのための加速度センサデータのイベント分類
• Authors: Manon Renault, Hamoud Younes, Hugo Tessier, Ronan Le Roy, Bastien Pasdeloup, Mathieu Léonardon,
• Abstract要約: 本稿では,組込みシステムを用いて再利用可能なパッケージ上に配置し,その状態を検出する手法を提案する。 我々は,再利用可能なパッケージの寿命に対応した,数年の寿命を持つシステムを設計することを目指している。 本研究では,不均衡な時系列データを対象としたディープラーニングモデルの,データ処理,トレーニング,評価を含むパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Package monitoring is an important topic in industrial applications, with significant implications for operational efficiency and ecological sustainability. In this study, we propose an approach that employs an embedded system, placed on reusable packages, to detect their state (on a Forklift, in a Truck, or in an undetermined location). We aim to design a system with a lifespan of several years, corresponding to the lifespan of reusable packages. Our analysis demonstrates that maximizing device lifespan requires minimizing wake time. We propose a pipeline that includes data processing, training, and evaluation of the deep learning model designed for imbalanced, multiclass time series data collected from an embedded sensor. The method uses a one-dimensional Convolutional Neural Network architecture to classify accelerometer data from the IoT device. Before training, two data augmentation techniques are tested to solve the imbalance problem of the dataset: the Synthetic Minority Oversampling TEchnique and the ADAptive SYNthetic sampling approach. After training, compression techniques are implemented to have a small model size. On the considered twoclass problem, the methodology yields a precision of 94.54% for the first class and 95.83% for the second class, while compression techniques reduce the model size by a factor of four. The trained model is deployed on the IoT device, where it operates with a power consumption of 316 mW during inference.
• Abstract（参考訳）: パッケージモニタリングは産業アプリケーションにおいて重要なトピックであり、運用効率と環境持続可能性に大きな影響を及ぼす。 本研究では,組込みシステムを用いて再利用可能なパッケージ上に配置し,その状態(フォークリフト,トラック,未決定位置)を検出する手法を提案する。 我々は,再利用可能なパッケージの寿命に対応した,数年の寿命を持つシステムを設計することを目指している。 我々の分析は、デバイス寿命の最大化にはウェイクタイムの最小化が必要であることを示している。 本研究では,組込みセンサから収集した不均衡なマルチクラス時系列データを対象としたディープラーニングモデルの,データ処理,トレーニング,評価を含むパイプラインを提案する。 この方法は1次元の畳み込みニューラルネットワークアーキテクチャを用いて、IoTデバイスから加速度計データを分類する。 トレーニング前、データセットの不均衡問題を解決するために、Synthetic Minority Oversampling TEchniqueとADAptive Synthetic sample approachの2つのデータ拡張テクニックがテストされた。 訓練後、モデルサイズを小さくするために圧縮技術が実装される。 検討された2クラス問題では、第1クラスが94.54%、第2クラスが95.83%、圧縮技術がモデルサイズを4倍に削減する。 トレーニングされたモデルはIoTデバイスにデプロイされ、推論中に消費電力316mWで動作する。

関連論文リスト

• SMI: An Information-Theoretic Metric for Predicting Model Knowledge Solely from Pre-Training Signals [51.60874286674908]
  我々は、モデルの内部知識を示す重要な下流タスクであるクローズドブック質問応答(QA)の性能を予測することを目指している。 我々は、21の公開言語と3つのカスタムトレーニングされた大規模言語モデルの事前学習コーパスに対して、大規模な検索と意味解析を行う。 これらの基礎の上に構築されたSMI(Size-dependent Mutual Information)は,事前学習データの特徴,モデルサイズ,QAの精度を線形に相関する情報理論の指標である。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• Physics Sensor Based Deep Learning Fall Detection System [0.9128828609564524]
  我々は,組込みセンサを用いたデータ受信装置を備えたTSFallDetectというシステムを構築した。 我々は、慣性およびフィルム圧力センサによって収集されたデータに基づいて、この降下動作予測問題に対処するために、シーケンシャルな深層学習手法を利用する。
  論文  参考訳（メタデータ） (2024-02-29T07:50:06Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Prune2Edge: A Multi-Phase Pruning Pipelines to Deep Ensemble Learning in IIoT [0.0]
  IIoTデバイス上での学習をアンサンブルするためのエッジベースのマルチフェーズ・プルーニングパイプラインを提案する。 第1フェーズでは、様々なプルーンドモデルのアンサンブルを生成し、次いで整数量子化を適用し、次にクラスタリングに基づく手法を用いて生成されたアンサンブルをプルークする。 提案手法は,ベースラインモデルの予測可能性レベルより優れていた。
  論文  参考訳（メタデータ） (2020-04-09T17:44:34Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)
• On the impact of selected modern deep-learning techniques to the performance and celerity of classification models in an experimental high-energy physics use case [0.0]
  ディープラーニング技術は、高エネルギー物理学の領域で遭遇する分類問題の文脈でテストされる。 利点は、パフォーマンスメトリクスと、結果のモデルのトレーニングと適用に必要な時間の両方の観点から評価されます。 LUMINと呼ばれるPyTorch用の新しいラッパーライブラリが紹介されている。
  論文  参考訳（メタデータ） (2020-02-03T12:29:59Z)

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。