본 논문은 YOLO를 이용하여 하수관로의 결함을 탐지하는 모델을 소개하였다. 또한 비전 트랜스포머를 YOLOv5의 헤더에 접합하여 YOLOv5만을 사용했을 때보다 더욱 높은 정확도와 학습 속도를 보여주었다. 학습에는 총 15개의 레이블과 각 레이블 당 2,000 장의 이미지를 이용하여 학습하였고, 모든 레이블의 AP(Average Precision)의 평균값인 mAP가 YOLOv5 모델에서는 mAP 0.5 기준 0.829에서 0.833, YOLOv5 모델의 헤더에 비전 트랜스포머를 접합한 모델은 mAP 0.5 기준 0.846까지 도출되었다. 한 장의 이미지를 처리하는 속도인 Inference ...
본 논문은 YOLO를 이용하여 하수관로의 결함을 탐지하는 모델을 소개하였다. 또한 비전 트랜스포머를 YOLOv5의 헤더에 접합하여 YOLOv5만을 사용했을 때보다 더욱 높은 정확도와 학습 속도를 보여주었다. 학습에는 총 15개의 레이블과 각 레이블 당 2,000 장의 이미지를 이용하여 학습하였고, 모든 레이블의 AP(Average Precision)의 평균값인 mAP가 YOLOv5 모델에서는 mAP 0.5 기준 0.829에서 0.833, YOLOv5 모델의 헤더에 비전 트랜스포머를 접합한 모델은 mAP 0.5 기준 0.846까지 도출되었다. 한 장의 이미지를 처리하는 속도인 Inference time 또한 모두 20 ms 미만으로 이를 FPS(Frame Per Second)로 환산하면 50 FPS 이상으로, 실시간으로 하수관로 결함을 탐지할 수 있다는 점을 확인하였다. 또한 YOLO 모델에 트랜스포머를 채용하는 것이 학습시키는 이미지의 양이 많을수록 효과가 커진다는 점에서 본 연구에 고무적인 점을 가져왔다.
본 논문은 YOLO를 이용하여 하수관로의 결함을 탐지하는 모델을 소개하였다. 또한 비전 트랜스포머를 YOLOv5의 헤더에 접합하여 YOLOv5만을 사용했을 때보다 더욱 높은 정확도와 학습 속도를 보여주었다. 학습에는 총 15개의 레이블과 각 레이블 당 2,000 장의 이미지를 이용하여 학습하였고, 모든 레이블의 AP(Average Precision)의 평균값인 mAP가 YOLOv5 모델에서는 mAP 0.5 기준 0.829에서 0.833, YOLOv5 모델의 헤더에 비전 트랜스포머를 접합한 모델은 mAP 0.5 기준 0.846까지 도출되었다. 한 장의 이미지를 처리하는 속도인 Inference time 또한 모두 20 ms 미만으로 이를 FPS(Frame Per Second)로 환산하면 50 FPS 이상으로, 실시간으로 하수관로 결함을 탐지할 수 있다는 점을 확인하였다. 또한 YOLO 모델에 트랜스포머를 채용하는 것이 학습시키는 이미지의 양이 많을수록 효과가 커진다는 점에서 본 연구에 고무적인 점을 가져왔다.
This paper introduces a model for detecting defects in sewage pipelines using YOLO. In addition, by attaching a vision transformer to the header of YOLOv5, it showed higher accuracy and learning speed than when only YOLOv5 was used. In training, a total of 15 labels and 2,000 images for each label w...
This paper introduces a model for detecting defects in sewage pipelines using YOLO. In addition, by attaching a vision transformer to the header of YOLOv5, it showed higher accuracy and learning speed than when only YOLOv5 was used. In training, a total of 15 labels and 2,000 images for each label were used for training. The mAP, which is the average value of the AP (Average Precision) of all labels, was 0.829 to 0.833 based on mAP 0.5 in the YOLOv5 model, and a vision transformer installed in the header of the YOLOv5 model was derived up to 0.846 based on mAP 0.5. The inference time, which is the speed of processing a single image, is also less than 20 ms, and when it is converted to FPS (Frame Per Second), it is 50 FPS or more, confirming that defects in sewer pipes can be detected in real time. In addition, the adoption of a transformer in the YOLO model brought an encouraging point to this study in that the effect increases as the amount of images to be trained increases.
This paper introduces a model for detecting defects in sewage pipelines using YOLO. In addition, by attaching a vision transformer to the header of YOLOv5, it showed higher accuracy and learning speed than when only YOLOv5 was used. In training, a total of 15 labels and 2,000 images for each label were used for training. The mAP, which is the average value of the AP (Average Precision) of all labels, was 0.829 to 0.833 based on mAP 0.5 in the YOLOv5 model, and a vision transformer installed in the header of the YOLOv5 model was derived up to 0.846 based on mAP 0.5. The inference time, which is the speed of processing a single image, is also less than 20 ms, and when it is converted to FPS (Frame Per Second), it is 50 FPS or more, confirming that defects in sewer pipes can be detected in real time. In addition, the adoption of a transformer in the YOLO model brought an encouraging point to this study in that the effect increases as the amount of images to be trained increases.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.