Jul, 2023

下水管道 CCTV 检测计划中降解模型的适用性评估

PDF
TL;DR该研究提出了一种评估污水管道降解模型适用性的方法，并表明 Logistic Regression 作为一种较少准确但能够产生一致降解曲线和具有高可解释性的模型，在制定检查计划方面比集成模型更加高效。
sewer pipesdegradation modelsmachine learningaccuracy metricslogistic regression
发现论文，激发创造
  • Sewer-ML：一个多标签下水道缺陷分类数据集和基准测试

    本文提出 Sewer-ML 数据集，其中包括 130 万张肮脏排水管道的视觉图片资源和缺陷分类注释，旨在解决肮脏排水管道的自动化检测问题，该数据集可以被用于图像分类和缺陷分类的研究和应用。

    Mar, 2021

  • 基于时间深度降解网络和基于注意力的特征提取的复杂机械剩余寿命预测

    使用一维卷积神经网络提取传感器数据的退化相关特征，并提出了时间深度退化网络 (TDDN) 模型来更加准确地预测剩余寿命，这个模型使用注意力机制来捕捉故障特征和退化发展，对公共 C-MAPSS 数据集进行评估，与现有方法进行比较，证明了 TDDN 模型在复杂条件下能够以最佳的 RUL 预测精度来预测涡轮风扇发动机的剩余使用寿命。

    Feb, 2022

  • 基于深度学习的物体检测技术应用于下水道网络自动缺陷检测

    维护大城市的下水道系统十分重要，但也十分耗时耗力，因为目前的视觉检查都是手动完成的。为了减少手动工作量，应当自动定位和分类下水道管道中的缺陷。本研究通过大规模数据集的注释和深度学习的物体检测方法，解决了识别缺陷以及训练时的困难，最终依靠自动检测器能够在测试集中检测到 83% 的缺陷。这项工作将深度学习物体检测应用到重要但相对较为无声的工程领域，并给出了一些在注释特殊 “对象”（如缺陷）时的实用指导。

    Apr, 2024

  • 基于深度学习的具有不确定故障模式的资产剩余寿命预测

    该研究介绍了两个将混合（对数）位置 - 尺度分布与深度学习相结合的预测模型，以应对多个故障模式的系统中存在的多重重叠降级信号、未标记历史数据的存在以及不同故障模式之间信号的相似性等挑战，并验证了这些模型相对于现有方法的卓越性能。

    May, 2024

  • 基于无监督深层 FCDD 的乡村铁路枕木腐朽检测

    本文提出了一种基于卷积神经网络（CNNs）的预测鉴别器流水线来自动分类损坏的铁路组件，使用一类分类方法，结合基于可视化的热图来判定铁路组件的损坏情况，并在预测性维护中提出了未来工作。

    May, 2023

  • 基於證據深度學習的可信多標籤下水道缺陷分類

    本文介绍了一种新的污水管道缺陷分类方法，名为可靠多标签污水管道缺陷分类（TMSDC），该方法运用了具有不确定性的警告深度学习对对污水管道缺陷进行预测，并通过新的专家基础费率分配（EBRA）引入专家知识来描述实际情况下的可靠证据。测试结果表明，TMSDC 的有效性及不确定性估计能力是最新公开基准中最好的。

    Oct, 2022

  • 社区老龄人群多功能退化建模的深度表示学习

    本研究介绍了一种多功能退化建模的新框架，通过利用深度学习，预测健康退化分数并揭示老年人健康历史的潜在异质性，从而提供了对老年人退化多样效应和原因的高效估计和可解释洞察。一个真实案例研究证明了该方法的有效性，为准确建模老年衰退的复杂动态以及应对老龄化人口的医疗挑战做出了重要贡献。

    Apr, 2024

  • 可解释的组合式污水溢流中的时序模型

    探索现代时间序列模型在预测污水系统溢出点以及促使超额污水迅速分散的关键水位方面的作用，以改善废水管理，预防环境污染。

    Jan, 2024

  • 工业环境下声音事件分类：管道泄漏检测应用案例

    本文提出了一种多阶段机器学习（ML）管道泄漏检测流程，该流程通过特征选择和提取基于时间的特征等多个步骤处理复杂嘈杂环境数据，将结果送入适用于数据量大幅降低和复杂度较低的支持向量机（SVM），在包含噪声和泄漏的数据集上取得了 99％的准确率和 0.93 和 0.9 的 F1-score。

    May, 2022

  • 非参数生存分析用于长期管道失效预测

    使用机器学习技术，基于水管历史故障记录、管道和环境因素描述进行评估和预测，开发了一种非参数生存分析技术 Random Survival Forest，能够更好地预测水管故障率，并利用统计推断技术量化了长期预测的不确定性。

    Nov, 2020