Please use this identifier to cite or link to this item: https://essuir.sumdu.edu.ua/handle/123456789/85300
Or use following links to share this resource in social networks: Recommend this item
Title Модель та метод навчання для класифікаційного аналізу рівня води в стічних трубах за даними відео інспекції
Other Titles Model and training method for water level classification in sewer pipes based on video inspection data
Модель и метод обучения для классификационного анализа уровня воды в сточных трубах по данным видео инспекции
Authors Moskalenko, Viacheslav Vasylovych  
Zaretskyi, Mykola Oleksandrovych
Korobov, Artem Hennadiiovych  
Kovalskyi, Yaroslav Yuriiovych  
Shaiekhov, Artur Fanisovych  
Semashko, Viktor Anatoliiovych  
Panych, Andrii Oleksandrovych  
ORCID http://orcid.org/0000-0001-6275-9803
http://orcid.org/0000-0003-3239-1977
http://orcid.org/0000-0002-5345-5186
http://orcid.org/0000-0003-3277-0264
http://orcid.org/0000-0002-9765-876X
http://orcid.org/0000-0003-2511-5763
Keywords sewer pipe
inspection
classification analysis
convolutional neural network
recurrent neural network
loss function
regularization
information-extreme machine learning
стічні труби
інспекція
класифікаційний аналіз
згорткова нейронна мережа
рекурентна нейронна мережа
функція втрат
регуляризація
інформаційно-екстремальне машинне навчання
сточные трубы
инспекция
классификационный анализ
свёрточная нейронная сеть
рекуррентная нейронная сеть
функция потерь
регуляризация
информационно-экстремального машинное обучение
Type Article
Date of Issue 2021
URI https://essuir.sumdu.edu.ua/handle/123456789/85300
Publisher Національний аерокосмічний університет "Харківський авіаційний інститут"
License Creative Commons Attribution 4.0 International License
Citation Модель та метод навчання для класифікаційного аналізу рівня води в стічних трубах за даними відео інспекції [Електронний ресурс] / В. В. Москаленко, М. О. Зарецький, А. Г. Коробов та ін. // Радіоелектронні і комп'ютерні системи. — 2021. — № 2. — С. 4-15.
Abstract Розроблено та досліджено модель та метод навчання для класифікаційного аналізу рівня води на кадрах відео інспекції стічних труб. Об’єктом дослідження є процес розпізнавання рівня води з урахуванням просторово-часового контексту під час інспекції стічних труб. Предметом дослідження є модель та метод машинного навчання для класифікаційного аналізу рівня води на відео-послідовностях інспекції труб за умов обмеженого та незбалансованого набору навчальних даних. Запропоновано чотирьохетапний алгоритм навчання класифікатора. На першому етапі навчання відбувається навчання з нормалізованою триплетною функцією втрат та регуляризуючою складовою для штрафування за помилку округлення вихідного сигналу мережі до двійкового коду. Наступний етап потрібний для визначення двійкового коду класу відповідно до принципів завадозахищеного кодування з самовиправленням помилок, але з урахуванням внутрікласових і міжкласових відношень. Обчислений еталонний вектор кожного класу використовується як цільова розмітка зразка для подальшого навчання з використанням об’єднаної крос-ентропійної функції втрат. Останній етап машинного навчання пов’язаний з оптимізацією параметрів вирішувальних правил за інформаційним критерієм для врахування меж відхилення двійкового подання спостережень кожного класу від відповідних еталонних векторів. Як модель класифікатора розглядається поєднання 2D згорткового екстрактора ознак кадру з темпоральною мережею для аналізу міжкадрових залежностей. При цьому виконується порівняння різних варіантів темпоральної мережі. Розглядаються 1D регулярна згорткова мережа з дірявими згортками, 1D каузальна згорткова мережа з дірявими згортками, рекурентна LSTM-мережа, рекурентна GRU-мережа. Порівняння ефективності моделей відбувається за мікро-усередненою метрикою F1, що обчислюється на тестовій вибірці. Результати, отримані на наборі даних від компанії Ace Pipe Cleaning (Канзас Сіті, США), підтверджують придатність моделі і методу навчання до практичного використання, отримане значення F1-метрики дорівнює 0,88. При цьому результати навчання за запропонованим методом порівнювалися з результатами, отриманими традиційним методом. Було показано, що запропонований метод забезпечує збільшення значення мікро-усередненої метрики F1 на 9 %.
Разработаны и исследованы модели и метод обучения для классификационного анализа уровня воды на кадрах видео инспекции сточных труб. Объектом исследования является процесс распознавания уровня воды с учетом пространственно-временного контекста во время инспекции сточных труб. Предметом исследования является модель и метод машинного обучения для классификационного анализа уровня воды на видео-последовательностях инспекции труб в условиях ограниченного и несбалансированного набора обучающих данных. Предложено четырех этапный алгоритм обучения классификатора. На первом этапе обучения происходит обучение с нормализованной триплетной функцией потерь и регуляризирующей составляющей для штрафования за ошибку округления выходного сигнала сети к двоичному коду. Следующий этап нужен для определения двоичного кода класса в соответствии с принципами помехозащищенного кодирования с само исправлением ошибок, но с учетом внутриклассовых и межклассовых отношений. Вычисленный эталонный вектор каждого класса используется как целевая разметка образца для дальнейшего обучения с использованием объединенной кросс-энтропийной функции потерь. Последний этап машинного обучения связан с оптимизацией параметров решающих правил по информационному критерию для учета границ отклонения двоичного представления наблюдений каждого класса от соответствующих эталонных векторов. Как модель классификатора рассматривается сочетание 2D свёрточного экстрактора признаков кадра с темпоральной сетью для анализа межкадровых зависимостей. При этом выполняется сравнение различных вариантов темпоральной сети. Рассматриваются 1D регулярная свёрточная сеть с дырявыми свертками, 1D каузальная свёрточная сеть с дырявыми свёртками, рекуррентная LSTM-сеть, рекуррентная GRU-сеть. Сравнение эффективности моделей происходит по микро-усредненной метрике F1, вычисляемой на тестовой выборке. Результаты, полученные на наборе данных от компании Ace Pipe Cleaning (Канзас Сити, США), подтверждают пригодность модели и метода обучения к практическому использованию, полученное значение F1-метрики равно 0,88. При этом результаты обучения по предложенному методу сравнивались с результатами, полученными традиционным методом. Было показано, что предложенный метод обеспечивает увеличение значения микро-усредненной F1-метрики на 9 %.
Models and training methods for water-level classification analysis on the footage of sewage pipe inspections have been developed and investigated. The object of the research is the process of water-level recognition, considering the spatial and temporal context during the inspection of sewage pipes. The subject of the research is a model and machine learning method for water-level classification analysis on video sequences of pipe inspections under conditions of limited size and an unbalanced set of training data. A four-stage algorithm for training the classifier is proposed. At the first stage of training, training occurs with a softmax triplet loss function and a regularizing component to penalize the rounding error of the network output to a binary code. The next step is to define a binary code (reference vector) for each class according to the principles of error-correcting output codes, but considering the intraclass and interclass relations. The computed reference vector of each class is used as the target label of the sample for further training using the joint cross-entropy loss function. The last stage of machine learning involves optimizing the parameters of the decision rules based on the information criterion to account for the boundaries of deviation of the binary representation of the observations of each class from the corresponding reference vectors. As a classifier model, a combination of 2D convolutional feature extractor for each frame and temporal network to analyze inter-frame dependencies is considered. The different variants of the temporal network are compared. We consider a 1D regular convolutional network with dilated convolutions, 1D causal convolutional network with dilated convolutions, recurrent LSTM-network, recurrent GRU-network. The performance of the models is compared by the micro-averaged metric F1 computed on the test subset. The results obtained on the dataset from Ace Pipe Cleaning (Kansas City, USA) confirm the suitability of the model and training method for practical use, the obtained value of F1-metric is 0.88. The results of training by the proposed method were compared with the results obtained using the traditional method. It was shown that the proposed method provides a 9 % increase in the value of micro-averaged F1-measure.
Appears in Collections: Наукові видання (ЕлІТ)

Views

China China
248
France France
576505
Ireland Ireland
1623878
Israel Israel
1
Lithuania Lithuania
1
Singapore Singapore
-1799375209
Ukraine Ukraine
628418980
United Kingdom United Kingdom
17968791
United States United States
-1799375210
Unknown Country Unknown Country
6245819

Downloads

Denmark Denmark
1
France France
1
Germany Germany
1
Ireland Ireland
1
Lithuania Lithuania
1
Singapore Singapore
-1799375208
Ukraine Ukraine
70914327
United Kingdom United Kingdom
1
United States United States
1840757860
Unknown Country Unknown Country
17968793

Files

File Size Format Downloads
Moskalenko_et.al_Water_Level_Classification_2021.pdf 1.1 MB Adobe PDF 130265778

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.