文献

J-GLOBAL ID：202202291428352382   整理番号：22A1049613

深層学習を用いたスクラップ金属の同時質量推定とクラス分類【JST・京大機械翻訳】

Simultaneous mass estimation and class classification of scrap metals using deep learning

著者 (11件)： Diaz-Romero Dillam Jossue (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium) ,  Diaz-Romero Dillam Jossue (PSI-EAVISE-KU Leuven, Jan Pieter de Nayerlaan 5, Sint-Katelijne-Waver 2860, Belgium) ,  Van den Eynde Simon (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium) ,  Sterkens Wouter (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium) ,  Sterkens Wouter (PSI-EAVISE-KU Leuven, Jan Pieter de Nayerlaan 5, Sint-Katelijne-Waver 2860, Belgium) ,  Engelen Bart (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium) ,  Engelen Bart (Department of Mechanical Engineering KU Leuven, Wetenschapspark 27, Diepenbeek 3590, Belgium) ,  Zaplana Isiah (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium) ,  Dewulf Wim (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium) ,  Goedeme Toon (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium) ,  Peeters Jef (Department of Mechanical Engineering KU Leuven, Celestijnenlaan 300, Leuven 3000, Belgium)
資料名： Resources, Conservation and Recycling  (Resources, Conservation and Recycling)
巻： 181  ページ： Null  発行年： 2022年 
JST資料番号： C0817C  ISSN： 0921-3449  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： 深層学習は,分類,オブジェクト検出,およびリサイクルにおけるセグメンテーションの性能を改善するのに役立ったが,質量予測の可能性はまだ調査されていない。したがって,本研究は,主成分分析(PCA)を含む特徴抽出と選択の有無による質量予測のためのシステムを提案した。これらの特徴抽出法を,質量予測のための最先端の機械学習と深層学習アルゴリズムを用いて,組合せCast(C),Wought(W)およびステンレス鋼(SS)画像データセット上で評価した。その後,最良の質量予測フレームワークを,高密度Net分類器と組み合わせて,オブジェクト分類とオブジェクト質量予測の両方を実行する多重出力を得た。提案したアーキテクチャは,分類のための高密度Netニューラルネットワークと質量予測のためのバックプロパゲーションニューラルネットワーク(BPNN)から成り,それは深さ画像から抽出される24の特徴を使用する。提案方法は,高密度Net+BPNN+PCAモデルを用いたC&W試験データセットの95%の分類性能で,質量予測の回帰に対して0.82R2,0.2RMSE,および0.28MAEを得た。CW&SS試験データに用いた選択した特徴(None)のない高密度Net+BPNN+Noneモデルは,80%の分類と回帰(0.71R2,0.31RMSE,および0.32MAE)の両方に対してより低い性能を有した。提示方法は,廃棄物流の質量組成のモニタリングを改善し,ロボットおよび空気圧仕分けシステムを最適化し,対象の物理的性質をよりよく理解することにより,その可能性を有した。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： 最適化 ,  セグメンテーション ,  ロボット ,  ステンレス鋼 ,  *ニューラルネットワーク ,  特徴抽出 ,  廃棄物 ,  多重化 ,  モデル ,  主成分分析 ,  計算機アーキテクチャ ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： 物体検出 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (9件)： 人工知能 ,  自動選別 ,  金属リサイクリング ,  ステンレス鋼 ,  鋳造及び展伸アルミニウムスクラップ ,  深層学習コンピュータビジョン ,  逆伝搬ニューラルネットワーク ,  質量/重量予測 ,  オブジェクト検出と認識

分類 (2件)： 廃棄物処理一般  (SC05010S) ,  環境問題  (SA01020V)

タイトルに関連する用語 (6件)： 深層学習 ,  スクラップ ,  質量 ,  推定 ,  クラス ,  分類