論文の概要: Towards automatic smoke detector inspection: Recognition of the smoke detectors in industrial facilities and preparation for future drone integration

• arxiv url: http://arxiv.org/abs/2603.24850v1
• Date: Wed, 25 Mar 2026 22:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.00923
• Title: Towards automatic smoke detector inspection: Recognition of the smoke detectors in industrial facilities and preparation for future drone integration
• Title（参考訳）: 自動煙検知装置の検査に向けて:産業施設における煙検知器の認識と将来のドローン統合の準備
• Authors: Lukas Kratochvila, Jakub Stefansky, Simon Bilik, Robert Rous, Tomas Zemcik, Michal Wolny, Frantisek Rusnak, Ondrej Cech, Karel Horak,
• Abstract要約: 煙探知機は高い天井や問題のある場所のために到達が難しいことが多い。 本研究では,自動検査システムの煙検知部について述べる。 最も高性能な検出器は YOLOv11n であり、平均 mAP@0.5 スコア 0.884 に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fire safety consists of a complex pipeline, and it is a very important topic of concern. One of its frontal parts are the smoke detectors, which are supposed to provide an alarm prior to a massive fire appears. As they are often difficult to reach due to high ceilings or problematic locations, an automatic inspection system would be very beneficial as it could allow faster revisions, prevent workers from dangerous work in heights, and make the whole process cheaper. In this study, we present the smoke detector recognition part of the automatic inspection system, which could easily be integrated to the drone system. As part of our research, we compare two popular convolutional-based object detectors YOLOv11 and SSD widely used on embedded devices together with the state-of-the-art transformer-based RT-DETRv2 with the backbones of different sizes. Due to a complicated way of collecting a sufficient amount of data for training in the real-world environment, we also compare several training strategies using the real and semi-synthetic data together with various augmentation methods. To achieve a robust testing, all models were evaluated on two test datasets with an expected and difficult appearance of the smoke detectors including motion blur, small resolution, or not complete objects. The best performing detector is the YOLOv11n, which reaches the average mAP@0.5 score of 0.884. Our code, pretrained models and dataset are publicly available.
• Abstract（参考訳）: 火災の安全は複雑なパイプラインで構成されており、非常に重要な関心事である。 前面の部品の1つは煙探知機で、大規模な火災が起こる前に警報を発する。 天井の高さや問題のある場所が原因で到達が難しい場合が多いため、自動検査システムはより高速なリビジョンを可能にし、労働者が危険な作業を行うのを防ぎ、プロセス全体を安価にすることができるため、非常に有益である。 本研究では,自動点検システムの煙検知部について述べる。 本研究の一環として, 組込みデバイスに広く使用されている2種類の畳み込み型物体検出器YOLOv11とSSDと, 最先端の変圧器RT-DETRv2と, 異なるサイズの背骨との比較を行った。 実世界の環境下でのトレーニングに十分な量のデータを集める複雑な方法により、実データと半合成データを用いたトレーニング戦略を、様々な拡張手法と組み合わせて比較する。 頑健なテストを達成するために、すべてのモデルを2つのテストデータセットで評価し、動きのぼやけ、小さな解像度、未完成の物体を含む煙検知器の外観が期待され、困難であった。 最も高性能な検出器は YOLOv11n であり、平均 mAP@0.5 スコア 0.884 に達する。 私たちのコード、事前訓練されたモデル、データセットは公開されています。

関連論文リスト

• A Multimodal Transformer Approach for UAV Detection and Aerial Object Recognition Using Radar, Audio, and Video Data [0.3093890460224435]
  無人航空機(UAV)の検出と航空機の物体認識は、現代の監視とセキュリティにとって重要である。 本研究は、新しいマルチモーダルトランスフォーマーモデルの設計と厳密な評価により、これらの課題に対処する。 レーダー、ビジュアルバンドビデオ(RGB)、赤外線(IR)ビデオ、オーディオといった多様なデータストリームを統合している。
  論文  参考訳（メタデータ） (2025-11-19T10:22:29Z)
• Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images [15.12889076965307]
  YOLOv7ワンステージ検出器は、新しいメタラーニングトレーニングフレームワークが組み込まれている。 この変換により、検出器はFSODのタスクに十分対応できると同時に、その固有の軽量化の利点を活かすことができる。 提案検出器の有効性を検証するため, 現状の検出器と性能比較を行った。
  論文  参考訳（メタデータ） (2024-04-29T04:56:52Z)
• 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)
• Integral Migrating Pre-trained Transformer Encoder-decoders for Visual Object Detection [78.2325219839805]
  imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。 MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
  論文  参考訳（メタデータ） (2022-05-19T15:11:20Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Machine Learning Based Early Fire Detection System using a Low-Cost Drone [0.5161531917413706]
  本稿では,森林火災の早期検出を低コストかつ高精度に行う機械学習システムを提案する。 システム内のマイクロコントローラは、ディープラーニングメソッドによるトレーニングによってプログラムされている。 無人航空機は、火災検知の最も初期の兆候である煙を認識する能力が与えられた。
  論文  参考訳（メタデータ） (2021-01-21T16:18:42Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。