論文の概要: Detecting the Unexpected: AI-Driven Anomaly Detection in Smart Bridge Monitoring

• arxiv url: http://arxiv.org/abs/2603.28225v1
• Date: Mon, 30 Mar 2026 09:47:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.327017
• Title: Detecting the Unexpected: AI-Driven Anomaly Detection in Smart Bridge Monitoring
• Title（参考訳）: 予測外検出:スマートブリッジモニタリングにおけるAI駆動異常検出
• Authors: Rahul Jaiswal, Joakim Hellum, Halvor Heiberg,
• Abstract要約: 本稿では,スマートブリッジモニタリングのための人工知能駆動型異常検出手法を提案する。 具体的には、ノルウェーの橋上に設置されたiBridgeセンサー装置によって収集されたリアルタイムセンサデータを用いて、シンプルな機械学習(ML)モデルを開発した。 実験結果から, 異常事象(橋梁事故)を正確に検出する上で, ノイズに基づくアプリケーションの密度に基づく空間クラスタリングが優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bridges are critical components of national infrastructure and smart cities. Therefore, smart bridge monitoring is essential for ensuring public safety and preventing catastrophic failures or accidents. Traditional bridge monitoring methods rely heavily on human visual inspections, which are time-consuming and prone to subjectivity and error. This paper proposes an artificial intelligence (AI)-driven anomaly detection approach for smart bridge monitoring. Specifically, a simple machine learning (ML) model is developed using real-time sensor data collected by the iBridge sensor devices installed on a bridge in Norway. The proposed model is evaluated against different ML models. Experimental results demonstrate that the density-based spatial clustering of applications with noise (DBSCAN)-based model outperforms in accurately detecting the anomalous events (bridge accident). These findings indicate that the proposed model is well-suited for smart bridge monitoring and can enhance public safety by enabling the timely detection of unforeseen incidents.
• Abstract（参考訳）: 橋は国家インフラとスマートシティの重要な構成要素である。 したがって、公共の安全を確保し、破滅的な失敗や事故を防止するためには、スマートブリッジモニタリングが不可欠である。 従来のブリッジモニタリング手法は、人間の視覚検査に大きく依存しており、それは時間を要するものであり、主観性とエラーの傾向が強い。 本稿では,スマートブリッジモニタリングのための人工知能駆動型異常検出手法を提案する。 具体的には、ノルウェーの橋上に設置されたiBridgeセンサー装置によって収集されたリアルタイムセンサデータを用いて、シンプルな機械学習(ML)モデルを開発した。 提案モデルは異なるMLモデルに対して評価される。 実験の結果,DBSCANモデルを用いたアプリケーションにおける密度に基づく空間クラスタリングは異常事象(橋梁事故)を正確に検出する上で優れていた。 これらの結果は,提案モデルがスマートブリッジ監視に適しており,予期せぬ事象のタイムリーな検出を可能にすることで,公衆の安全を高めることができることを示している。

関連論文リスト

• SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model [52.47816604709358]
  ビデオ異常検出(VAD)は、ビデオ内の予期せぬ事象を識別することを目的としており、安全クリティカルドメインに広く応用されている。 視覚言語モデル(VLM)は強力なマルチモーダル推論能力を示し、異常検出の新しい機会を提供している。 SlowFastVADは高速異常検出器と低速異常検出器を統合したハイブリッドフレームワークである。
  論文  参考訳（メタデータ） (2025-04-14T15:30:03Z)
• Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data [0.0]
  本研究では,橋梁上に任意に設置したセンサを用いた列車軸受のリアルタイム検出手法を提案する。 VADER(Virtual Axle Detector with Enhanced Receptive Field)の開発は、単線鉄道橋上で検証されている。 生データを入力として使用することで、最先端のスペクトログラムベースの手法をスピードとメモリ使用率の両方で99%向上させた。
  論文  参考訳（メタデータ） (2023-09-04T12:53:54Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Leveraging Trajectory Prediction for Pedestrian Video Anomaly Detection [14.740178121212132]
  本稿では,未監視歩行者異常事象検出における軌跡の局所化と予測の活用を提案する。 提案手法は,正常および異常な歩行者軌跡の予測誤差を利用して,空間的・時間的に異常を検出する。 実時間スケールの異なる実世界のベンチマークデータセットについて実験を行い,提案したトラジェクトリ予測に基づく異常検出パイプラインが効率的かつ効率的であることを示す。
  論文  参考訳（メタデータ） (2022-07-05T19:44:34Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• Self-awareness in intelligent vehicles: Feature based dynamic Bayesian models for abnormality detection [4.251384905163326]
  本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。 車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。 協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-29T09:29:47Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• Damage-sensitive and domain-invariant feature extraction for vehicle-vibration-based bridge health monitoring [25.17078512102496]
  本稿では,車両の加速度応答データから損傷感受性・領域不変性(DS&DI)特徴を抽出する物理誘導信号処理手法を提案する。 この特徴は,6つの実験のうち5つの実験において,橋梁にまたがる最高の損傷および局所化結果を提供する。
  論文  参考訳（メタデータ） (2020-02-06T05:45:39Z)

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。