文献

J-GLOBAL ID：202202268181899705   整理番号：22A0630571

高速鉄道カテナリースウィベルクレビス欠陥検出のための適応深層学習【JST・京大機械翻訳】

Adaptive Deep Learning for High-Speed Railway Catenary Swivel Clevis Defects Detection

著者 (6件)： Gao Shibin (School of Electrical Engineering, Southwest Jiaotong University, Chengdu, China) ,  Kang Gaoqiang (School of Electrical Engineering, Southwest Jiaotong University, Chengdu, China) ,  Yu Long (School of Electrical Engineering, Southwest Jiaotong University, Chengdu, China) ,  Zhang Dongkai (School of Electrical Engineering, Southwest Jiaotong University, Chengdu, China) ,  Wei Xiaoguang (School of Electrical Engineering, Southwest Jiaotong University, Chengdu, China) ,  Zhan Dong (School of Electrical Engineering, Southwest Jiaotong University, Chengdu, China)
資料名： IEEE Transactions on Intelligent Transportation Systems  (IEEE Transactions on Intelligent Transportation Systems)
巻： 23  号： 2  ページ： 1299-1310  発行年： 2022年 
JST資料番号： W1272A  ISSN： 1524-9050  CODEN： ITISFG  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： スイベルクリーク(SC)は,Overhead Catenary System(OCS)の脆弱な部分である。コンピュータビジョン技術を用いた定期検査は,SC欠陥を検出し,OCS操作安全性を改善する有効な方法である。しかし,SC欠陥検出の完全な自動化を達成することは,欠陥サンプル不足とデータ分布シフトのため,まだ困難なタスクである。これらの問題を克服するために,本論文では適応SCセグメンテーションネットワーク(適応SSN)と局所演算子を組み合わせた新しい欠陥検出法を提案した。検査プロセスの間,モデル不確実性と事前知識によって定義される信頼性指数を用いて,適応SSNの信頼性を監視した。データ分布シフトが適応SSNを信頼できないとき,人間注釈者は訓練集合を更新し,適応SSNを再訓練し,新しいデータ分布に適応させる。次に,セグメンテーションマスクから得られた幾何学的特徴および局所演算子によって抽出した局所特徴を,SC欠陥を検出するために使用した。いくつかの高速鉄道線路からのデータに関する実験結果によって,提案した方法の有効性を実証した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 自動化 ,  信頼性 ,  セグメンテーション ,  *高速鉄道 ,  *故障検出 ,  人間 ,  コンピュータビジョン ,  有効性 ,  定期検査 ,  *機械学習 ,  アノテーション
準シソーラス用語： 事前知識 ,  脆弱性 ,  局所特徴 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (3件)： システム・制御理論一般  (IA02010H) ,  都市交通  (TA01020W) ,  電子航法一般  (ND14010O)

タイトルに関連する用語 (4件)： 高速鉄道 ,  欠陥検出 ,  適応 ,  深層学習