Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: vgg19

Sortuj według:

Ogranicz wyniki do:

Helipad detection and classification for safe helicopter landing

Mohammed Emad A., Ali Ahmed J., Abdullah Abdullah Muhammad

Przegląd Elektrotechniczny

2024

R. 100, nr 1

127--129

One of the most important factor that plays a great role in the safty issue of the helicopter and the pilot is the response to system failure and pilot conciousness, so the helicopter must be delivered a safe landing point.in this reseach a helipad detection and recognition for helicopter autolanding have been presented , where the comparison tool was specifically used vgg19 and resnet50 CNN algorithms were used to classify safe helipads or occupied one to achieve autolanding, a dataset consisting of 4012 images divided into training and validation of the performance of the Resnet50 model and VGG19 where the accuracy was 94% VGG19 and Accuracy 96% Resnet50 was the best.

Jednym z najważniejszych czynników odgrywających ogromną rolę w kwestii bezpieczeństwa śmigłowca i pilota jest reakcja na awarię systemu i świadomość pilota, dlatego śmigłowiec musi otrzymać bezpieczne miejsce lądowania. W tym badaniu wykrycie i rozpoznanie lądowiska dla helikopterów dla automatycznego lądowania helikoptera, gdzie specjalnie wykorzystano narzędzie porównawcze vgg19 i resnet50, zastosowano algorytmy CNN do klasyfikacji bezpiecznych lądowisk dla helikopterów lub zajętych w celu osiągnięcia automatycznego lądowania, zbiór danych składający się z 4012 obrazów podzielonych na trening i walidację działania modelu Resnet50 i VGG19, gdzie dokładność wyniosła 94%, VGG19 i dokładność 96% Resnet50 był najlepszy.

Advancing Chipboard Milling Process Monitoring through Spectrogram-Based Time Series Analysis with Convolutional Neural Network using Pretrained Networks

Kurek Jarosław, Szymanowski Karol, Chmielewski Leszek, Orłowski Arkadiusz

Machine Graphics and Vision

2023

Vol. 32, No. 2

89--108

This paper presents a novel approach to enhance chipboard milling process monitoring in the furniture manufacturing sector using Convolutional Neural Networks (CNNs) with pretrained architectures like VGG16, VGG19, and RESNET34. The study leverages spectrogram representations of time-series data obtained during the milling process, providing a unique perspective on tool condition monitoring. The efficiency of the CNN models in accurately classifying tool conditions into distinct states (‘Green’, ‘Yellow’, and ‘Red’) based on wear levels is thoroughly evaluated. Experimental results demonstrate that VGG16 and VGG19 achieve high accuracy, however with longer training times, while RESNET34 offers faster training at the cost of reduced precision. This research not only highlights the potential of pretrained CNNs in industrial applications but also opens new avenues for predictive maintenance and quality control in manufacturing, underscoring the broader applicability of AI in industrial automation and monitoring systems.