論文の概要: YOLO-Based Pipeline Monitoring in Challenging Visual Environments

• arxiv url: http://arxiv.org/abs/2507.02967v1
• Date: Mon, 30 Jun 2025 14:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.482241
• Title: YOLO-Based Pipeline Monitoring in Challenging Visual Environments
• Title（参考訳）: 混在する視覚環境におけるYOLOに基づくパイプラインモニタリング
• Authors: Pragya Dhungana, Matteo Fresta, Niraj Tamrakar, Hariom Dhungana,
• Abstract要約: 低視認性水中環境における海底パイプラインの状況監視は、濁度、光歪み、画像劣化などによる大きな課題を生んでいる。 従来の視覚ベースの検査システムは、そのような状況下でのマッピング、オブジェクト認識、欠陥検出のための信頼性の高いデータの提供に失敗することが多い。 本研究では、画像品質の向上、パイプライン構造の検出、自律的故障診断支援のための高度な人工知能(AI)技術の統合について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Condition monitoring subsea pipelines in low-visibility underwater environments poses significant challenges due to turbidity, light distortion, and image degradation. Traditional visual-based inspection systems often fail to provide reliable data for mapping, object recognition, or defect detection in such conditions. This study explores the integration of advanced artificial intelligence (AI) techniques to enhance image quality, detect pipeline structures, and support autonomous fault diagnosis. This study conducts a comparative analysis of two most robust versions of YOLOv8 and Yolov11 and their three variants tailored for image segmentation tasks in complex and low-visibility subsea environments. Using pipeline inspection datasets captured beneath the seabed, it evaluates model performance in accurately delineating target structures under challenging visual conditions. The results indicated that YOLOv11 outperformed YOLOv8 in overall performance.
• Abstract（参考訳）: 低視認性水中環境における海底パイプラインの状況監視は、濁度、光歪み、画像劣化などによる大きな課題を生んでいる。 従来の視覚ベースの検査システムは、そのような状況下でのマッピング、オブジェクト認識、欠陥検出のための信頼性の高いデータの提供に失敗することが多い。 本研究では、画像品質の向上、パイプライン構造の検出、自律的故障診断支援のための高度な人工知能(AI)技術の統合について検討する。 本研究は, YOLOv8とYolov11の2つの最も頑健なバージョンと, 複雑で低視認性な海底環境における画像分割作業に適した3つのバージョンの比較分析を行った。 海底で捉えたパイプライン検査データセットを用いて、挑戦的な視覚条件下でターゲット構造を正確に記述するモデル性能を評価する。 その結果, YOLOv11 は YOLOv8 を上回る性能を示した。

関連論文リスト

• Addressing Camera Sensors Faults in Vision-Based Navigation: Simulation and Dataset Development [41.94295877935867]
  本研究は、惑星間探査ミッションのシナリオに焦点を当てる。 VBNパイプライン内で使用されるカメラセンサの潜在的な故障事例を包括的に分析する。 合成画像中の故障状態を再現するシミュレーションフレームワークを導入し、故障データの体系的かつ制御された再生を可能にする。 結果として得られたフォールトインジェクト画像のデータセットは、AIベースのフォールト検出アルゴリズムをトレーニングし、テストするための貴重なツールを提供する。
  論文  参考訳（メタデータ） (2025-07-03T13:23:22Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• AssemAI: Interpretable Image-Based Anomaly Detection for Manufacturing Pipelines [0.0]
  製造パイプラインにおける異常検出は、産業環境の複雑さと変動性によって強化され、依然として重要な課題である。 本稿では,スマート製造パイプラインに適した解釈可能な画像ベース異常検出システムAssemAIを紹介する。
  論文  参考訳（メタデータ） (2024-08-05T01:50:09Z)
• D-YOLO a robust framework for object detection in adverse weather conditions [0.0]
  ヘイズ、雪、雨などの逆の気象条件は、画像品質の低下を招き、深層学習に基づく検知ネットワークの性能低下を招きかねない。 画像復元とオブジェクト検出のタスクをよりうまく統合するために,注目機能融合モジュールを備えた二重経路ネットワークを設計した。 我々はまた,検出ネットワークにヘイズフリーな機能を提供するサブネットワークを提案し,特に,明瞭な特徴抽出サブネットワークと検出ネットワーク間の距離を最小化することにより,検出ネットワークの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-14T09:57:15Z)
• Diffusion Model Based Visual Compensation Guidance and Visual Difference Analysis for No-Reference Image Quality Assessment [78.21609845377644]
  本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。 生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。 2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
  論文  参考訳（メタデータ） (2024-02-22T09:39:46Z)
• 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)
• Underwater Object Classification and Detection: first results and open challenges [1.1549572298362782]
  本研究は,水中環境における物体検出の問題点を概観する。 我々は、従来の最先端(SOTA)アルゴリズムの欠点を分析し、定量化する。
  論文  参考訳（メタデータ） (2022-01-04T04:54:08Z)
• A feature-supervised generative adversarial network for environmental monitoring during hazy days [6.276954295407201]
  本稿では,環境モニタリングのためのGAN(Generative Adversarial Network)に基づく特徴教師付き学習ネットワークを提案する。 提案手法は,合成データセットと実世界のリモートセンシング画像の両方において,最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-08-05T05:27:15Z)
• Diagnosing the Environment Bias in Vision-and-Language Navigation [102.02103792590076]
  VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従い、与えられた環境を探索し、所望の目標地点に到達する必要がある。 VLNを研究する最近の研究は、目に見えない環境でのテストでは、顕著なパフォーマンス低下を観察しており、ニューラルエージェントモデルがトレーニング環境に非常に偏っていることを示している。 本研究では, この環境バイアスの原因を探るため, 環境再分割と機能置換による新しい診断実験を設計する。
  論文  参考訳（メタデータ） (2020-05-06T19:24:33Z)

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。