文献

J-GLOBAL ID：202202271124804856   整理番号：22A0569104

深層学習を用いた光散乱画像からの雑音除去と燃料噴霧液滴検出【JST・京大機械翻訳】

Denoising and fuel spray droplet detection from light-scattered images using deep learning

著者 (2件)： Hasti Veeraraghava Raju (School of Mechanical Engineering, Purdue University, West Lafayette, IN,47907 United States of America) ,  Shin Dongyun (School of Aeronautics and Astronautics, Purdue University, West Lafayette, IN,47907 United States of America)
資料名： Energy and AI  (Energy and AI)
巻： 7  ページ： Null  発行年： 2022年 
JST資料番号： W6432A  ISSN： 2666-5468  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 光散乱画像(Mie散乱)におけるガスタービンエンジン噴霧液滴を雑音除去し検出する深層学習ベース法を,初めて提案した。修正U-Netアーキテクチャを,液滴を雑音除去し再生するために,提案した方法で採用した。著者らは,Mie散乱実験からの雑音除去スプレー画像のための標準従来のニューラルネットワーク(CNN)と修正ResNetアーキテクチャによる修正U-Netアーキテクチャの性能を比較し,検証した。修正U-Netアーキテクチャは,検証データセット上で有意に低い平均二乗誤差(MSE)を持つ他の2つのネットワークよりも良好に機能した。また,修正U-Netアーキテクチャは,他の2つのネットワークと比較して,最高電力信号対雑音比(PSNR)を有する画像を生成した。この改良U-Netアーキテクチャの優れた性能は符号器デコーダ構造に起因する。ダウンサンプリングの間,符号器の一部として,画像の最も顕著な特徴だけが雑音を除くことにより選択的に保持される。雑音のない特徴のこの再構成は,より正確でより良い雑音除去画像を生成した。次に,雑音除去画像を中心予測子CNNを通して通過し,1.4画素の平均誤差を持つ液滴の位置を決定した。雑音除去と液滴中心検出の訓練された深層学習法は,単一グラフィックス処理ユニット(GPU)で約2.13秒である。本研究は,よく最適化されたネットワークを用いた実験データの実時間処理に対する有望性を示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  *液滴 ,  最適化 ,  *雑音 ,  ネットワーク ,  ニューラルネットワーク ,  復号器 ,  *画像 ,  画素 ,  符号器 ,  実時間処理 ,  Mie散乱 ,  計算機アーキテクチャ ,  *機械学習 ,  *雑音除去
準シソーラス用語： *深層学習 , 【Automatic Indexing@JST】

著者キーワード (9件)： 画像雑音除去 ,  液滴検出 ,  燃料噴霧 ,  Mie散乱 ,  深層学習 ,  人工知能 ,  畳込みニューラルネットワーク ,  ResNet ,  U-Net

分類 (3件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 深層学習 ,  光散乱 ,  雑音除去 ,  燃料噴霧 ,  液滴