Fugu-MT 論文翻訳(概要): Battery detection of XRay images using transfer learning

論文の概要: Battery detection of XRay images using transfer learning

arxiv url: http://arxiv.org/abs/2606.11779v1
Date: Wed, 10 Jun 2026 08:09:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-11 16:42:38.354676
Title: Battery detection of XRay images using transfer learning
Title（参考訳）: 転写学習を用いたX線画像の電池検出
Authors: Nermeen Abou Baker, David Rohrschneider, Uwe Handmann,
Abstract要約: 本研究は, 画像が電池を含むか否かを予測する上で, 転送学習の可能性を示すものである。大規模なデータセットをトレーニングして、トレーニング済みのYOLOv5mを使用して電子機器を検出する。バッテリー検出精度は94%で、トレーニング済みのYOLOv5mの重量を5%、22ミリ秒の推論時間で上回る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The need for detecting and sorting batteries is drastically increasing for many applications. This study proves the potential of transfer learning in predicting whether the image contains a battery or not, the location and identifying three types of batteries, namely: prismatic, pouch, and cylindrical Lithium-Ion Batteries (LIB). Particularly, it focuses on the transfer learning method in two applications: Training a large-scale dataset to detect electronic devices using a pre-trained YOLOv5m, then using these latter trained weights to detect and classify the batteries. The precision of battery detection achieves 94%, which outperforms the pretrained YOLOv5m weights with 5%, in 22 ms inference time.
Abstract（参考訳）: 多くのアプリケーションにおいて、電池の検知とソートの必要性が大幅に高まっている。本研究は, 画像に電池が含まれているか否か, 位置, 位置, 特定する3種類の電池, プリシマ, ポーチ, 円筒型リチウムイオン電池 (LIB) について, 移動学習の可能性を示す。大規模なデータセットをトレーニングして、トレーニング済みのYOLOv5mを使用して電子機器を検出し、後者のトレーニングされた重量を使って電池を検出し、分類する。バッテリー検出精度は94%で、トレーニング済みのYOLOv5mの重量を5%、22ミリ秒の推論時間で上回る。

関連論文リスト

Knowledge-Aware Modeling with Frequency Adaptive Learning for Battery Health Prognostics [27.840159692578354]
Karmaは、バッテリ容量推定のための周波数適応学習と有用な寿命予測のための知識認識モデルである。 1つのストリームが長期の低周波劣化傾向を捉え、もう1つのモデルが高周波短期力学をモデル化する2重ストリームディープラーニングアーキテクチャを開発した。実験では、Karmaの優れた性能を示し、バッテリーの健康予測のための最先端のアルゴリズムよりも平均エラーを50.6%、32.6%削減した。
論文参考訳（メタデータ） (2025-10-03T09:24:38Z)
Zero-Shot Anomaly Detection in Battery Thermal Images Using Visual Question Answering with Prior Knowledge [11.377891847991718]
バッテリーの熱画像における異常検出は、早期に故障を特定するのに役立つ。従来のディープラーニング手法では、広範なラベル付きデータが必要である。視覚質問応答(VQA)モデルを用いたゼロショット異常検出について検討する。
論文参考訳（メタデータ） (2025-05-22T13:39:52Z)
BatSort: Enhanced Battery Classification with Transfer Learning for Battery Sorting and Recycling [42.453194049264646]
バッテリータイプ分類のための機械学習に基づくアプローチを導入し、アプリケーションにおけるデータ不足の問題に対処する。本研究では,大規模なデータセットに最適化された既存の知識を活用するために移動学習を適用したBatSortを提案する。実験の結果,BatSortの精度は平均92.1%,最大96.2%であった。
論文参考訳（メタデータ） (2024-04-08T18:05:24Z)
Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
論文参考訳（メタデータ） (2024-03-26T12:20:10Z)
Long-Tailed 3D Detection via Multi-Modal Fusion [58.89765900064689]
本研究では,Long-Tailed 3D Detection (LT3D) の問題点について検討した。単モードLiDARとRGB検出器を独立に訓練した多モード遅延核融合(MMLF)により,レアクラスの精度が特に向上することが指摘されている。我々のMMLFはLT3Dの先行作業よりも優れており、特に12.8から20.0mAPまでの6つのレアなクラスで改善されています。
論文参考訳（メタデータ） (2023-12-18T07:14:25Z)
A Mapping Study of Machine Learning Methods for Remaining Useful Life Estimation of Lead-Acid Batteries [0.0]
State of Health (SoH) と Remaining Useful Life (RUL) は、バッテリーシステムの予測保守、信頼性、寿命の向上に貢献している。本稿では,鉛蓄電池のSoHとRULを推定するための機械学習手法における最先端のマッピング研究について述べる。
論文参考訳（メタデータ） (2023-07-11T10:41:41Z)
Evaluating feasibility of batteries for second-life applications using machine learning [0.0]
本稿では,引退した電気自動車電池の迅速な評価を可能にするための機械学習技術の組み合わせについて述べる。提案アルゴリズムは,利用可能なバッテリ電流と簡易な統計値を用いた電圧測定から特徴量を生成する。相関分析を用いて特徴を選択し、ランク付けし、バッジによって強化されたガウスプロセス回帰を採用する。
論文参考訳（メタデータ） (2022-03-08T18:07:33Z)
Battery Cloud with Advanced Algorithms [1.7205106391379026]
バッテリクラウドまたはクラウドバッテリ管理システムは、クラウド計算パワーとデータストレージを活用して、バッテリ安全性、パフォーマンス、経済性を改善する。この研究は、電気自動車やエネルギー貯蔵システムから計測されたバッテリーデータを収集するバッテリクラウドを提示する。
論文参考訳（メタデータ） (2022-03-07T21:56:17Z)
Data Driven Prediction of Battery Cycle Life Before Capacity Degradation [0.0]
本稿では,Kristen A. Seversonらが実施したデータと手法を用いて,研究チームが使用した方法論を探索する。基本的な取り組みは、機械学習技術が、バッテリー容量を正確に予測するために、早期ライフサイクルデータを使用するように訓練されているかどうかを確認することである。
論文参考訳（メタデータ） (2021-10-19T01:35:12Z)
State-of-Charge Estimation of a Li-Ion Battery using Deep Forward Neural Networks [68.8204255655161]
リチウムイオン電池のためのDeep Forward Networkを構築し,その性能評価を行った。本研究の貢献はリチウムイオン電池用ディープフォワードネットワークの構築手法とその性能評価である。
論文参考訳（メタデータ） (2020-09-20T23:47:11Z)
Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
論文参考訳（メタデータ） (2020-07-06T16:10:54Z)

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。