Object-Size-Driven Design of Convolutional Neural Networks: Virtual Axle Detection based on Raw Data

要約

インフラストラクチャが老朽化するにつれて、効率的な監視方法の必要性がますます重要になっています。
Bridge Weigh-In-Motion (BWIM) システムは、費用対効果の高い荷重の決定、ひいては道路および鉄道インフラの残存耐用年数を決定するために非常に重要です。
ただし、従来の BWIM システムでは、車軸検出用の追加センサーが必要であり、アクセスできない可能性がある場所や橋の操作を妨げる場所に設置する必要があります。
この研究は、橋の上に任意に配置されたセンサーを使用して列車の車軸をリアルタイムで検出するための新しいアプローチを示し、専用の車軸検出器の代替手段を提供します。
開発された仮想車軸検出器（VADER）は、加速度測定のみを使用して単線鉄道橋で検証され、空間誤差 3.69cm で車軸の 99.9% を検出しました。
生データを入力として使用すると、速度とメモリ使用量の両方で最先端のスペクトログラム ベースの方法を 99% 上回り、リアルタイム アプリケーションが初めて実現可能になりました。
さらに、オブジェクトのサイズに基づいて畳み込みニューラル ネットワーク (CNN) のハイパーパラメーターを最適化する新しいアプローチである最大受容野 (MRF) ルールを導入します。
この文脈では、オブジェクトのサイズは橋の基本周波数に関係します。
MRF ルールはハイパーパラメータの検索空間を効果的に狭め、広範なハイパーパラメータ調整の必要性を克服します。
MRF ルールは理論的にはすべての非構造化データに適用できるため、地震予測から物体認識に至るまで、幅広い深層学習の問題に影響を与える可能性があります。

要約(オリジナル)

As infrastructure ages, the need for efficient monitoring methods becomes increasingly critical. Bridge Weigh-In-Motion (BWIM) systems are crucial for cost-effective determination of loads and, consequently, the residual service life of road and railway infrastructure. However, conventional BWIM systems require additional sensors for axle detection, which must be installed in potentially inaccessible locations or places that interfere with bridge operation. This study presents a novel approach for real-time detection of train axles using sensors arbitrarily placed on bridges, providing an alternative to dedicated axle detectors. The developed Virtual Axle Detector with Enhanced Receptive Field (VADER) has been validated on a single-track railway bridge using only acceleration measurements, detecting 99.9% of axles with a spatial error of 3.69cm. Using raw data as input outperformed the state-of-the-art spectrogram-based method in both speed and memory usage by 99%, thereby making real-time application feasible for the first time. Additionally, we introduce the Maximum Receptive Field (MRF) rule, a novel approach to optimise hyperparameters of Convolutional Neural Networks (CNNs) based on the size of objects. In this context, the object size relates to the fundamental frequency of a bridge. The MRF rule effectively narrows the hyperparameter search space, overcoming the need for extensive hyperparameter tuning. Since the MRF rule can theoretically be applied to all unstructured data, it could have implications for a wide range of deep learning problems, from earthquake prediction to object recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google