論文の概要: Multi-Modal Semantic Segmentation of Electrolyzer Components for Sustainable Hydrogen Technologies: A Dual-Branch Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2607.16056v1
- Date: Fri, 17 Jul 2026 15:34:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.890503
- Title: Multi-Modal Semantic Segmentation of Electrolyzer Components for Sustainable Hydrogen Technologies: A Dual-Branch Deep Learning Approach
- Title（参考訳）: 持続可能な水素技術のための電解質成分の多モードセマンティックセマンティックセマンティックセグメンテーション:デュアルブランチ深層学習アプローチ
- Abstract要約: Hyperspectral-RGB Electrolyzer Materials Network (HREM-Net) は、高スペクトルイメージング(HSI)とRGB画像を組み合わせて電解質のセグメンテーションを行う。
適応ゲート型クロスモーダル融合モジュールと複合損失関数により、HREM-Netの平均クラス精度は91.66%、平均インターセクションは0.82である。
この研究は、電解器の効率を向上させる工業的応用としての可能性を示し、それによって水素生産の予測的メンテナンスが向上する。
- 参考スコア（独自算出の注目度）: 1.8343941786735474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of electrolyzer materials is essential for automated disassembly, sustainable recycling, and circular manufacturing in hydrogen technologies. However, this task is challenging due to strong visual similarity between materials, spectral overlap, irregular shapes, and severe class imbalance. To address these challenges, we propose an AI-driven dual-branch framework, Hyperspectral-RGB Electrolyzer Materials Network (HREM-Net), that combines hyperspectral imaging (HSI) and RGB images for electrolyzer material segmentation. We implemented several innovative modules, including Efficient Channel Attention, Coordinate Attention, Mobile Inverted Bottleneck blocks, and Atrous Spatial Pyramid Pooling to capture spectral and spatial features from HSI, and RGB images. With an adaptive gated cross-modal fusion module and composite loss function, HREM-Net achieves a mean class accuracy of 91.66% and a mean Intersection over Union (mIoU) of 0.82 on the Electrolyzers-HSI dataset, outperforming baseline segmentation models. Cross-dataset validation on the PCB-Vision dataset demonstrates strong generalization with 96.91% accuracy and 0.93 mIoU. This work poses its potential as an industrial application to improve electrolyzer efficiency, thereby improving the predictive maintenance of hydrogen production.
- Abstract（参考訳）: 電解質材料の正確なセグメンテーションは、水素技術における自動分解、持続可能なリサイクル、円形製造に不可欠である。
しかし、この課題は、材料間の強い視覚的類似性、スペクトルの重なり合い、不規則な形状、厳密な階級不均衡により困難である。
これらの課題に対処するために、超スペクトルイメージング(HSI)とRGB画像を組み合わせて電解質のセグメンテーションを行う、AI駆動のデュアルブランチフレームワークHyperspectral-RGB Electrolyzer Materials Network (HREM-Net)を提案する。
本研究では,効率的なチャネル注意,コーディネート注意,移動反転ボトルネックブロック,アラス空間ピラミッドポーリングなど,いくつかの革新的なモジュールを実装し,HSIやRGB画像からスペクトル・空間的特徴を抽出した。
適応ゲート型クロスモーダル融合モジュールと複合損失関数を用いて、HREM-Netは平均クラス精度91.66%、平均クラスセグメンテーション(mIoU)は0.82であり、ベースラインセグメンテーションモデルより優れている。
PCB-Visionデータセット上のデータセット間の検証は96.91%の精度と0.93 mIoUの強い一般化を示す。
この研究は、電解器の効率を向上させる工業的応用としての可能性を示し、それによって水素生産の予測的メンテナンスが向上する。
関連論文リスト
- Bidirectional Cross-Attention Fusion of High-Res RGB and Low-Res HSI for Multimodal Automated Waste Sorting [0.7166329363666318]
本稿では,高分解能なRGBと低分解能なHSIを,局所的,双方向なクロスアテンションを介してネイティブグリッドで整列させるBi Cross-Attention Fusion (BCAF)を提案する。
BCAFは31画像/sで76.4% mIoU、55画像/sで75.4% mIoUの最先端性能を達成した。
論文 参考訳（メタデータ） (2026-03-14T13:21:36Z) - From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。
OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。
ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-20T18:58:43Z) - GCMCG: A Clustering-Aware Graph Attention and Expert Fusion Network for Multi-Paradigm, Multi-task, and Cross-Subject EEG Decoding [0.7871262900865523]
運動画像(MI)脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)は、人間と機械の相互作用の直接的な経路を提供する。
本稿では,MI-ME EEGデコーディングのための新しい統合フレームワークであるGraph-guided Clustering Mixture-of-Experts CNNGRUGを提案する。
論文 参考訳（メタデータ） (2025-11-29T18:05:33Z) - HyPSAM: Hybrid Prompt-driven Segment Anything Model for RGB-Thermal Salient Object Detection [75.406055413928]
RGB-T SODのための新しいプロンプト駆動セグメントモデル(HyPSAM)を提案する。
DFNetは動的畳み込みとマルチブランチデコーディングを使用して、適応的な相互モダリティ相互作用を促進する。
3つの公開データセットの実験により,本手法が最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2025-09-23T07:32:11Z) - Power Battery Detection [91.99787495748218]
電力電池は、内部構造欠陥が深刻な安全リスクを生じさせる電気自動車において必須の部品である。
我々は,X線画像から陰極および陽極板の密集端を局所化し,品質検査を行うことを目的として,電力電池検出(PBD)に関する総合的研究を行った。
PBD5Kは,9種類のバッテリタイプから5,000枚のX線画像と8種類の実世界の視覚的干渉を含む,このタスクのための最初の大規模ベンチマークである。
論文 参考訳（メタデータ） (2025-08-11T09:35:25Z) - MRC-DETR: An Adaptive Multi-Residual Coupled Transformer for Bare Board PCB Defect Detection [11.16242420187823]
そこで本研究では,PCB 欠陥検査のための新規かつ効率的な検出フレームワーク MRC-DETR を提案する。
特徴表現能力を高めるため,MRDCB(Multi-Residual Directional Coupled Block)を設計する。
非効率な層間情報融合による計算冗長性を低減するため、適応スクリーニングピラミッドネットワーク(ASPN)を導入する。
論文 参考訳（メタデータ） (2025-07-04T08:42:38Z) - Electrolyzers-HSI: Close-Range Multi-Scene Hyperspectral Imaging Benchmark Dataset [8.578006502996516]
textbfElectrolyzers-HSIは、重要な原料の回収を促進するために設計された、新しいマルチモーダルベンチマークデータセットである。
このデータセットは、共登録された55個の高解像度RGB画像と、400-2500nmのスペクトル範囲にまたがるハイパースペクトルイメージング(HSI)データキューブからなる。
これにより、切断された電解質試料の非侵襲的なスペクトル分析が可能となり、定量的および定性的な物質分類とスペクトル特性の調査をサポートする。
論文 参考訳（メタデータ） (2025-05-26T20:16:38Z) - Bringing RGB and IR Together: Hierarchical Multi-Modal Enhancement for Robust Transmission Line Detection [67.02804741856512]
高速かつ高精度なTL検出のために,RGBとIRデータを統合したHMMEN(Hierarchical Multi-Modal Enhancement Network)を提案する。
提案手法では,(1)階層的RGBおよびIR特徴写像を大まかに融合・拡張するMMEB,(2)デコーダ出力とIR特徴写像の不整合を変形可能な畳み込みを利用して補正するFAB,の2つの重要な構成要素を紹介する。
論文 参考訳（メタデータ） (2025-01-25T06:21:06Z) - Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images [64.80875911446937]
RGB画像からのHSI再構成のための相関連続性ネットワーク(CCNet)を提案する。
局所スペクトルの相関について,GrSCM(Group-wise Spectral correlation Modeling)モジュールを紹介する。
グローバルスペクトルの連続性のために、我々はNeSCMモジュールを設計する。
論文 参考訳（メタデータ） (2025-01-02T15:14:40Z) - HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks [7.06787067270941]
新しい線形特徴空間におけるハイパースペクトルイメージング(HSI)とLiDARデータの統合は、HSIに固有の高次元性と冗長性に起因する課題に対する有望な解決策を提供する。
本研究では、双方向逆畳み込み畳み込みニューラルネットワーク(CNN)経路と特殊空間解析ブロックを併用した、二重線型融合空間フレームワークを提案する。
提案手法は,データ処理や分類精度を向上するだけでなく,トランスフォーマーなどの先進モデルに係わる計算負担を軽減する。
論文 参考訳（メタデータ） (2024-11-30T01:08:08Z) - CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。
まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。
分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
論文 参考訳（メタデータ） (2024-11-25T07:56:13Z)
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。