Segmentation of Industrial Burner Flames: A Comparative Study from Traditional Image Processing to Machine and Deep Learning

要約

発電、化学物質の製造、廃棄物管理などの多くの産業プロセスでは、安全で効率的な操作のために産業用バーナーの火炎特性を正確に監視することが重要です。
重要なステップには、バイナリ セグメンテーションを通じて背景から炎を分離することが含まれます。
数十年にわたるマシン ビジョンの研究により、従来の画像処理から従来の機械学習、最新の深層学習手法に至るまで、幅広いソリューションが生み出されてきました。
この研究では、工業用バーナー炎の公開ベンチマーク データセットで評価される、グローバルしきい値、領域拡張、サポート ベクター マシン、ランダム フォレスト、多層パーセプトロン、U-Net、DeepLabV3+ といった複数のセグメンテーション アプローチの比較研究を紹介します。

私たちは、工業用バーナー炎などのバイナリ セグメンテーションのための適切なアプローチの選択を目指す研究者や実践者に役立つ洞察とガイダンスを提供します。
最高の精度を実現するには、ディープラーニングが主要なアプローチですが、高速でシンプルなソリューションを実現するには、従来の画像処理技術が依然として実行可能なオプションです。

要約(オリジナル)

In many industrial processes, such as power generation, chemical production, and waste management, accurately monitoring industrial burner flame characteristics is crucial for safe and efficient operation. A key step involves separating the flames from the background through binary segmentation. Decades of machine vision research have produced a wide range of possible solutions, from traditional image processing to traditional machine learning and modern deep learning methods. In this work, we present a comparative study of multiple segmentation approaches, namely Global Thresholding, Region Growing, Support Vector Machines, Random Forest, Multilayer Perceptron, U-Net, and DeepLabV3+, that are evaluated on a public benchmark dataset of industrial burner flames. We provide helpful insights and guidance for researchers and practitioners aiming to select an appropriate approach for the binary segmentation of industrial burner flames and beyond. For the highest accuracy, deep learning is the leading approach, while for fast and simple solutions, traditional image processing techniques remain a viable option.

arxiv情報

著者 Steven Landgraf,Markus Hillemann,Moritz Aberle,Valentin Jung,Markus Ulrich
発行日 2023-06-26 15:46:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG パーマリンク