論文の概要: A Deep Learning Approach to Identify Rock Bolts in Complex 3D Point Clouds of Underground Mines Captured Using Mobile Laser Scanners

• arxiv url: http://arxiv.org/abs/2506.20464v1
• Date: Wed, 25 Jun 2025 14:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.772014
• Title: A Deep Learning Approach to Identify Rock Bolts in Complex 3D Point Clouds of Underground Mines Captured Using Mobile Laser Scanners
• Title（参考訳）: モバイルレーザスキャナーを用いた地下地雷の複雑な3次元点群における岩体同定のための深層学習手法
• Authors: Dibyayan Patra, Pasindu Ranasinghe, Bikram Banerjee, Simit Raval,
• Abstract要約: 本稿では,複雑な3次元点雲における岩石ボルトの自動識別のための厳密なクラス不均衡を扱うために設計された,新しい2段階深層学習アーキテクチャを提案する。 提案手法は,岩盤ボルト点に対するIoU(Intersection over Union)において,最先端のセマンティックセグメンテーションモデルを最大42.5%超える。 96.41%の精度と96.96%のリコールを達成し、複雑な地下環境での堅牢性と有効性を実証している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rock bolts are crucial components of the subterranean support systems in underground mines that provide adequate structural reinforcement to the rock mass to prevent unforeseen hazards like rockfalls. This makes frequent assessments of such bolts critical for maintaining rock mass stability and minimising risks in underground mining operations. Where manual surveying of rock bolts is challenging due to the low light conditions in the underground mines and the time-intensive nature of the process, automated detection of rock bolts serves as a plausible solution. To that end, this study focuses on the automatic identification of rock bolts within medium to large-scale 3D point clouds obtained from underground mines using mobile laser scanners. Existing techniques for automated rock bolt identification primarily rely on feature engineering and traditional machine learning approaches. However, such techniques lack robustness as these point clouds present several challenges due to data noise, varying environments, and complex surrounding structures. Moreover, the target rock bolts are extremely small objects within large-scale point clouds and are often partially obscured due to the application of reinforcement shotcrete. Addressing these challenges, this paper proposes an approach termed DeepBolt, which employs a novel two-stage deep learning architecture specifically designed for handling severe class imbalance for the automatic and efficient identification of rock bolts in complex 3D point clouds. The proposed method surpasses state-of-the-art semantic segmentation models by up to 42.5% in Intersection over Union (IoU) for rock bolt points. Additionally, it outperforms existing rock bolt identification techniques, achieving a 96.41% precision and 96.96% recall in classifying rock bolts, demonstrating its robustness and effectiveness in complex underground environments.
• Abstract（参考訳）: 岩ボルトは地下鉱山における地下支援システムの重要な構成要素であり、岩盤の落下のような予期せぬ危険を防ぐために、岩塊に十分な構造的補強を提供する。 このことは、岩盤の安定維持と地下鉱業のリスクの最小化に重要なボルトの評価を頻繁に行う。 地下鉱山における光条件の低さとプロセスの時間集約性により,手動による岩石ボルトの探査が困難であるのに対し,岩石ボルトの自動検出は有効な解法である。 そこで本研究では,移動レーザースキャナーを用いた地下鉱山から得られた中～大規模3次元点雲中の岩石ボルトの自動識別に焦点を当てた。 既存のロックボルトの自動識別技術は主に特徴工学と伝統的な機械学習アプローチに依存している。 しかし、これらの点雲は、データノイズ、様々な環境、複雑な周囲構造など、いくつかの課題があるため、ロバスト性に欠ける。 さらに、ターゲットの岩ボルトは、大規模な点雲内の非常に小さな物体であり、補強ショットクレットの適用により、部分的には曖昧であることが多い。 これらの課題に対処するために,複雑な3次元点群における岩ボルトの自動的かつ効率的な識別のために,厳密なクラス不均衡を扱うために設計された,新しい2段階のディープラーニングアーキテクチャであるDeepBoltを提案する。 提案手法は,岩盤ボルト点に対するIoU(Intersection over Union)において,最先端のセマンティックセグメンテーションモデルを最大42.5%超える。 さらに、既存の岩ボルト識別技術よりも優れ、96.41%の精度と96.96%のリコールを実現し、複雑な地下環境での堅牢性と有効性を実証している。

関連論文リスト

• Pay Less Attention to Deceptive Artifacts: Robust Detection of Compressed Deepfakes on Online Social Networks [81.21729774122554]
  オンラインソーシャルネットワーク(OSNs)における圧縮による「ブロック効果を見下ろす既存のディープフェイク検出方法」 本稿では,ペア化データの欠如と圧縮画像の非効率利用に対処する新しいフレームワークPLADAを提案する。 PLADAは2つのコアモジュールで構成されている。Block Effect Eraser (B2E) はブロック効果を処理するために2段階のアテンション機構を使用し、Open Data Aggregation (ODA) はペアデータとアンペアデータの両方を処理して検出を改善する。
  論文  参考訳（メタデータ） (2025-06-25T15:46:41Z)
• Automatic characterization of boulders on planetary surfaces from high-resolution satellite images [4.817284512836187]
  岩は様々な地質学的プロセスから形成され、その大きさ、形状、配向がより深く理解するのに役立ちます。 我々は、高解像度衛星画像におけるボルダーの検出とアウトライン化のために、インスタンスセグメンテーションニューラルネットワークであるMask R-CNNを使用している。 私たちのニューラルネットワークであるBoulderNetは、地球、月、火星の750枚の画像タイルに33,000個のボールダーのデータセットからトレーニングされました。
  論文  参考訳（メタデータ） (2024-01-15T08:14:23Z)
• A Skeleton-based Approach For Rock Crack Detection Towards A Climbing Robot Application [0.0]
  ReachBotのような登山ロボットは、不規則な表面の特徴を把握し、障害物を克服するために登山運動を実行することができる。 SKeleton Intersection Loss(SKeleton Intersection Loss)を提案する。
  論文  参考訳（メタデータ） (2023-09-10T21:16:56Z)
• Beyond the Prior Forgery Knowledge: Mining Critical Clues for General Face Forgery Detection [61.74632676703288]
  本稿では,様々なバックボーンを柔軟に組立てて一般化と性能を向上させる,新しいクリティカルフォージェリーマイニングフレームワークを提案する。 具体的には,まず,従来の知識に依存しないデータ拡張を通じて,細粒度三重項を構築し,特定の偽の痕跡を抑える。 そこで我々は,例えば,局所的類似性を意識した損失を通じて,偽造の重要情報をマイニングする,きめ細かな関係学習プロトタイプを提案する。
  論文  参考訳（メタデータ） (2023-04-24T23:02:27Z)
• A Comprehensive Study of the Robustness for LiDAR-based 3D Object Detectors against Adversarial Attacks [84.10546708708554]
  3Dオブジェクト検出器は、セキュリティクリティカルなタスクにおいてますます重要になっている。 敵の攻撃に対する強固さを理解することが不可欠である。 本稿では,LiDARをベースとした3次元検出器の対角攻撃時のロバスト性評価と解析を行った。
  論文  参考訳（メタデータ） (2022-12-20T13:09:58Z)
• Crack detection using tap-testing and machine learning techniques to prevent potential rockfall incidents [68.8204255655161]
  本稿では,岩盤の自動探傷システムを提案する。 ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。 音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
  論文  参考訳（メタデータ） (2021-10-10T22:53:36Z)
• Rock Hunting With Martian Machine Vision [0.0]
  火星の岩石の分類と検出のための深層学習手法を検討する。 2値分類(rock vs. rover)の精度は97%以上である。 フレームレートが速い(毎秒1フレーム)が精度は低い低出力岩狩機(37%)を実演する。
  論文  参考訳（メタデータ） (2021-04-09T13:44:27Z)
• End-to-End Intelligent Framework for Rockfall Detection [1.8594711725515676]
  岩石の検出は地質学の分野で重要な手順であり、関連するリスクを減らすのに役立ちます。 現在、地質学者は、地球レーザースキャナーやデジタルカメラなどのさまざまなキャプションデバイスから得られたポイントクラウドと画像データを使用して、ほぼ手動で岩石のイベントを特定します。 本稿では,この課題に対処し,ドメイン地質と意思決定支援システムの交点で働く個人に対して,ロックフォールイベント検出のためのインテリジェントなフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-02-12T12:48:17Z)

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。