Flame-state monitoring based on very low number of visible or infrared images via few-shot learning

要約

画像ベースの燃焼監視における機械学習の現在の成功は、大量のデータに基づいており、産業用アプリケーションではコストがかかり、不可能ですらあります。
この矛盾に対処するために、燃焼の監視と分類を初めて実現するために、少数ショット学習を導入します。
2 つのアルゴリズム、k Nearest Neighbors と組み合わせたシャム ネットワーク (SN-kNN) とプロトタイプ ネットワーク (PN) がテストされました。
以前の研究で説明したように可視画像のみを利用するのではなく、赤外線 (IR) 画像も使用しました。
両方の画像形式で 2 つのアルゴリズムのトレーニング プロセス、テスト パフォーマンス、および推論速度を分析し、t-SNE を使用して学習した特徴を視覚化しました。
結果は、SN-kNN と PN の両方が、炎の状態ごとにわずか 20 枚の画像で、炎の状態と学習を区別できることを示しました。
IR 画像の PN によって実現された最悪のパフォーマンスでも、0.95 を超える精度、精度、再現率、および F1 スコアを保持していました。
可視画像は、クラス間のより実質的な違いを示し、クラス内でより一貫したパターンを提示することを示しました。これにより、IR 画像と比較してトレーニング速度とモデルのパフォーマンスが向上しました。
対照的に、IR 画像の品質が比較的低いため、PN が識別可能なプロトタイプを抽出することが難しくなり、パフォーマンスが比較的低下しました。
分類をサポートするトレーニング セット全体を使用すると、SN-kNN は IR 画像でうまく機能しました。
一方、アーキテクチャ設計の恩恵を受けて、PN は SN-kNN よりもトレーニングと推論の速度がはるかに高速です。
提示された作業は、アルゴリズムと画像形式の両方の特性を初めて分析したため、燃焼監視タスクでの将来の利用に関するガイダンスを提供します。

要約(オリジナル)

The current success of machine learning on image-based combustion monitoring is based on massive data, which is costly even impossible for industrial applications. To address this conflict, we introduce few-shot learning in order to achieve combustion monitoring and classification for the first time. Two algorithms, Siamese Network coupled with k Nearest Neighbors (SN-kNN) and Prototypical Network (PN), were tested. Rather than utilizing solely visible images as discussed in previous studies, we also used Infrared (IR) images. We analyzed the training process, test performance and inference speed of two algorithms on both image formats, and also used t-SNE to visualize learned features. The results demonstrated that both SN-kNN and PN were capable to distinguish flame states from learning with merely 20 images per flame state. The worst performance, which was realized by PN on IR images, still possessed precision, accuracy, recall, and F1-score above 0.95. We showed that visible images demonstrated more substantial differences between classes and presented more consistent patterns inside the class, which made the training speed and model performance better compared to IR images. In contrast, the relatively low quality of IR images made it difficult for PN to extract distinguishable prototypes, which caused relatively weak performance. With the entrire training set supporting classification, SN-kNN performed well with IR images. On the other hand, benefitting from the architecture design, PN has a much faster speed in training and inference than SN-kNN. The presented work analyzed the characteristics of both algorithms and image formats for the first time, thus providing guidance for their future utilization in combustion monitoring tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google