文献

J-GLOBAL ID：202202281007909623   整理番号：22A0969366

生成敵対ネットワークと深層学習に基づく亀裂検出【JST・京大機械翻訳】

Crack Detection Based on Generative Adversarial Networks and Deep Learning

著者 (6件)： Chen Gongfa (School of Civil and Transportation Engineering, Guangdong University of Technology, Guangzhou, China) ,  Teng Shuai (School of Civil and Transportation Engineering, Guangdong University of Technology, Guangzhou, China) ,  Lin Mansheng (School of Civil and Transportation Engineering, Guangdong University of Technology, Guangzhou, China) ,  Yang Xiaomei (School of Civil and Transportation Engineering, Guangdong University of Technology, Guangzhou, China) ,  Sun Xiaoli (School of Civil and Transportation Engineering, Guangdong University of Technology, Guangzhou, China) ,  Sun Xiaoli (Guangzhou Municipal Engineering Testing Co., Ltd., Guangzhou, China)
資料名： KSCE Journal of Civil Engineering  (KSCE Journal of Civil Engineering)
巻： 26  号： 4  ページ： 1803-1816  発行年： 2022年 
JST資料番号： W4683A  ISSN： 1226-7988  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,3段階検出モデルを用いた新しい亀裂検出法を提案した。深い学習技術は亀裂検出の分野で注目されている。しかし,それは対応するネットワークモデルを訓練するために大きいデータを必要とする。より多くの訓練サンプルと多重深層学習アルゴリズムの組合せは,検出性能の改善を助ける。したがって,本論文は,実際の画像と類似の特徴を有する豊富な仮想亀裂画像を生成するために,生成敵対ネットワーク(GAN)モデルを採用して,これらの仮想画像を用いて,CNN分類装置とDeepLab_v3+をそれぞれ訓練して,次に,実際の画像を3段階検出方法の性能を評価するために使用した。結果は,提案した3段階検出法が,亀裂検出に対する優れた検出効果を持ち,制御実験(NI_MIoU,NI_Accurcy,NI_Fスコア,NI_MCC)が,それぞれ,22.1%~55.6%,5.2%~9.8%,37.4%~40.0%,6.2%~11.1%増加したことを示した。これらの結果は,3段階検出モデルが亀裂検出に有益な寄与をすることを示した。Copyright Korean Society of Civil Engineers 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *亀裂 ,  検出 ,  *学習 ,  セグメンテーション ,  *ネットワーク ,  分類装置 ,  画像 ,  多重化 ,  検出法 ,  深層 ,  *機械学習 ,  学習アルゴリズム
準シソーラス用語： 構造ヘルスモニタリング ,  ネットワークモデル ,  合成画像 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 構造ヘルスモニタリング ,  生成敵対ネットワーク ,  生成画像 ,  亀裂分類 ,  亀裂セグメンテーション

分類 (3件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (3件)： 敵対 ,  深層学習 ,  亀裂検出