Defect Detection in Synthetic Fibre Ropes using Detectron2 Framework

要約

最新技術を備えたファイバーロープは、その軽量性と高い引張強度により、オフショア産業向けのスチールロープに代わる魅力的な代替品として登場しました。
同時に、システム全体の適切な機能と安全性を確保するには、これらのロープを頻繁に検査することが不可欠です。
状態監視 (CM) アプリケーションにおけるディープ ラーニング (DL) モデルの開発は、合成繊維ロープ (SFR) の欠陥検出のための、よりシンプルで効果的なアプローチを提供します。
この論文では、欠陥検出とインスタンスのセグメンテーションのための最先端のライブラリである Detectron2 のパフォーマンスを調査します。
Mask R-CNN アーキテクチャを備えた Detectron2 は、SFR の欠陥をセグメント化するために使用されます。
さまざまなバックボーン構成を備えたマスク R-CNN は、7 つの損傷クラス (それぞれ、プラッキング高、プラッキング中、プラッキング低、圧縮、コアアウト、摩擦、および通常) を含む 1,803 枚の高次元画像で構成される実験的に取得されたデータセットでトレーニングおよびテストされています。
SFR。
Detectron2 の機能を活用することで、この研究は、SFR の欠陥を検出し、検査プロセスを強化し、ファイバー ロープの安全性を確保するための自動化された効率的な方法を開発することを目的としています。

要約(オリジナル)

Fibre ropes with the latest technology have emerged as an appealing alternative to steel ropes for offshore industries due to their lightweight and high tensile strength. At the same time, frequent inspection of these ropes is essential to ensure the proper functioning and safety of the entire system. The development of deep learning (DL) models in condition monitoring (CM) applications offers a simpler and more effective approach for defect detection in synthetic fibre ropes (SFRs). The present paper investigates the performance of Detectron2, a state-of-the-art library for defect detection and instance segmentation. Detectron2 with Mask R-CNN architecture is used for segmenting defects in SFRs. Mask R-CNN with various backbone configurations has been trained and tested on an experimentally obtained dataset comprising 1,803 high-dimensional images containing seven damage classes (placking high, placking medium, placking low, compression, core out, chafing, and normal respectively) for SFRs. By leveraging the capabilities of Detectron2, this study aims to develop an automated and efficient method for detecting defects in SFRs, enhancing the inspection process, and ensuring the safety of the fibre ropes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google