Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phân loại chuỗi thời gian cho các ứng dụng công nghiệp: Trường hợp sử dụng phát hiện hư hỏng mặt đường
Tóm tắt
Để đảm bảo lái xe an toàn, việc duy trì mặt đường trong tình trạng tốt là rất quan trọng. Việc giám sát tình trạng mặt đường tốn thời gian và đòi hỏi kiến thức chuyên môn trong lĩnh vực này. Tình hình trở nên tồi tệ hơn khi quy trình giám sát phải được lặp lại với tần suất tương đối cao. Do đó, cần thiết phải tự động hóa quy trình này. Có các phương pháp phát hiện và phân loại hư hỏng mặt đường dựa trên việc sử dụng công nghệ thị giác máy tính. Tuy nhiên, việc đào tạo các mô hình dự đoán phù hợp đòi hỏi phải có các hình ảnh đã được gán nhãn. Hơn nữa, cần phải lắp đặt thiết bị chuyên dụng trên xe để thu nhận hình ảnh. Trong bài báo này, chúng tôi đánh giá khả năng giải quyết vấn đề này dựa trên việc xử lý dữ liệu từ cảm biến gia tốc của xe. Các phương pháp phân loại chuỗi thời gian dựa trên học máy được sử dụng như một công cụ để xây dựng mô hình dự đoán.
Từ khóa
#Học máy #Phân loại chuỗi thời gian #Phát hiện hư hỏng mặt đường #Cảm biến gia tốc.Tài liệu tham khảo
R. Fan and M. Liu, “Road damage detection based on unsupervised disparity map segmentation,” IEEE Trans. Intell. Transp. Syst., 1–6 (2019).
Shen-En Chen, Wanqiu Liu, Haitao Bian, and Ben Smith, “3D LiDAR scans for bridge damage evaluations,” Forensic Eng., 487–495 (2012).
Gunawan Fergyanto, “Detecting road damages by using gyroscope sensor,” ICIC Express Lett. 12, 1089–1098 (2018).
S. Sattar, S. Li, and M. Chapman, “Road surface monitoring using smartphone sensors: A review,” Sensors, Basel 18 (11), (2018).
A. Alfarrarjeh, D. Trivedi, S. H. Kim, and C. Shahabi, “A deep learning approach for road damage detection from smartphone mages” in Proc. IEEE Int. Conf. on Big Data (Big Data), Seattle, WA, USA, Dec. 10–13, 2018 (IEEE, New York, 2018, pp. 5201–5204.
A. Angulo, J. Antonio Vega-Fernandez, L. M. Aguilar-Lobo, Sh. Natraj, and G. Ochoa-Ruiz, “Road damage detection acquisition system based on deep neural networks for physical asset management,” in Advances in Soft Computing, Ed. by L. Martinez-Villaseñor, I. Batyrshin, and A. Marín-Hernández, (Springer, 2019), pp. 3–14.
H. Maeda, Y. Sekimoto, T. Seto, T. Kashiyama, and H. Omata, “Road damage detection and classification using deep neural networks with smartphone images: Road damage detection and classification,” Comput.-Aided Civil & Infrastructure Eng. 33 (06) (2018).
A. Artemov, E. Burnaev, and A. Lokot, “Nonparametric decomposition of quasi-periodic time series for change-point detection,” Proc. SPIE 9875, 987520 ̶ 987520-5 (2015).
A. Artemov and E. Burnaev, “Detecting performance degradation of software-intensive systems in the presence of trends and long-range dependence,"in Proc. 16th Int. Conf. IEEE on Data Mining Workshops (ICDMW), Barcelona, Spain, Dec. 12–15, 2016 (IEEE, New York, 2016), pp. 29–36.
D. Volkhonskiy, E. Burnaev, I. Nouretdinov, A. Gammerman, and V. Vovk, “Inductive conformal martingales for change-point detection,” in Proc. Sixth Workshop on Conformal and Probabilistic Prediction and Applications (COPA), Stockholm, Sweden, June 13–16 2017; PMLR (Proc. Machine Learning Res.) 60, 132–153 (2017).
A. Safin and E. Burnaev, “Conformal kernel expected similarity for anomaly detection in time-series data,” Adv. Systems Sci. Appl. 17 (3), 22–33 (2017).
A. Artemov and E. Burnaev, “Ensembles of detectors for online detection of transient changes,” Proc. SPIE 9875, 98751Z–98751Z-5 (2015).
D. Smolyakov, N. Sviridenko, E. Burikov, and E. Burnaev, “Anomaly pattern recognition with privileged information for sensor fault detection,” in Artificial Neural Networks in Pattern Recognition, (Proc. 8th IAPR TC3 Workshop, ANNPR 2018, Siena, Italy, Sept. 19–21, 2018) (Springer, 2018), pp. 320–332.
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction, 2 ed. (Springer, 2009).
E. Burnaev, P. Erofeev, and A. Papanov, “Influence of resampling on accuracy of imbalanced,” Proc. SPIE 9875, Eighth International Conference on Machine Vision (ICMV 2015), 987521 (8 December 2015). https://doi.org/10.1117/12.2228523
D. Smolyakov, A. Korotin, P. Erofeev, A. Papanov, and E. Burnaev, “Meta-learning for resampling recommendation systems,” Proc. SPIE 11041, 11041 (2018);
Proc. Eleventh Int. Conf. on Machine Vision (ICMV 2018), Munich, Nov. 1–3, 2018 (ICMV 2019), p. 110411S.
P. Geurts, D. Ernst, and L. Wehenkel, “Extremely randomized trees,” Machine Learning 63 (1), 3–42 (2006).
E. Lawson, D. Smith, D. Sofge, P. Elmore, and F. Petry, “Decision forests for machine learning classification of large, noisy seafloor feature sets,” Comput. & Geosci. 99, 116–124 (2017).
J. Davis and M. Goadrich, “The relationship between precision-recall and roc curves,” in Proc. 23rd Int. Conf. on Machine Learning, Pittsburgh, PA, 2006, pp. 233–240.