Wyniki wyszukiwania - Biblioteka Nauki

1

Liquid Detection and Instance Segmentation based on Mask R-CNN in Industrial Environment

100%

Gawdzik G. , Arkadiusz O.

Machine Graphics and Vision

|

2023

|

tom Vol. 32, No. 3/4

193--203

EN

The goal of the paper is to present an efficient approach to detect and instantiate liquid spilled in the industrial and industrial-like environments. Motivation behind it is to enable mobile robots to automatically detect and collect samples of spilled liquids. Due to the lack of useful training data of spilled substances, a new dataset with RGB images and masks was gathered. A new application of the Mask-RCNN-based algorithm is proposed which has the functionalities of detecting the spilled liquid and segmenting the image.

2

Design of Artificial Neural Network for Prediction of Hydrogen Sulfide and Carbon Dioxide Concentrations in a Natural Gas Sweetening Plant

63%

Alardhi S. M. , Al-Jadir T. , Hasan A. M. , Jaber A. A. , Al Saedi L. M.

Ecological Engineering & Environmental Technology

|

2023

|

tom Vol. 24, iss. 2

55--66

EN

Gas sweetening is a fundamental step in gas treatment processes for environmental and safety concerns. One of the most extensively used and largely recognized solvents for gas sweetening is methyl diethanolamine (MDEA). One of the most crucial metrics for measuring the effectiveness of gas treatment units is the amount of acid gas that has been treated with MDEA solution. As a result, it should be regularly monitored to avoid operational issues in downstream processes and excessive energy consumption. In this study, the artificial neural network (ANN) approach was followed to predict the H2S and CO2 sour gases concentrations of sweetening process. The model was built using dataset gathered from a real operation plant in Iraq, collected from February 2019 to February 2020, and used as input to the neural network. The data include H2S and CO2 concentrations of the feed gas, temperature, pressure, and flow rate of the unit. The designed ANN model showed good accuracy in modeling the process under investigation, even for a wide range of parameter variability. The testing outcomes demonstrated a high coefficient of determination (R2) of greater than 0.99, while the overall training performance showed a low mean squared error (MSE) of less than 0.0003.

3

Analiza zbioru danych dotyczących oceny akceptowalności samochodów za pomocą teorii zbiorów przybliżonych i programu RSES

63%

Gorączka M.

Studia i Materiały Informatyki Stosowanej

|

2024

|

tom T. 16, nr 1

24--32

PL

Artykuł skupia się na analizie danych z wykorzystaniem teorii zbiorów przybliżonych oraz różnych metod, takich jak algorytm genetyczny, klasyfikacja za pomocą zestawu reguł i metoda walidacji krzyżowej. Przedstawiono także kompletny proces analizy danych przy użyciu programu RSES. Wykorzystany zbiór danych oraz wyniki analizy zostałyomówione w kontekście teorii zbiorów przybliżonych. Artykuł kończy się podsumowaniem i wnioskamiskupiającymi się na aspekcie skuteczności wspomnianych metod w analizie zbioru danych oraz efektywności programu w kwestii przeprowadzania w nim analiz.

EN

The article focuses on data analysis using rough set theory and various methods such as the genetic algorithm, rule set classification and the cross-validation method. The complete data analysis process using RSES is also presented. The data set used and the results of the analysis are discussed in the context of rough set theory. The article concludes with a summary and conclusions focusing on the aspect of the effectiveness of aforementioned methods in analysing the dataset and the efficiency of the programin terms of performing analysis in it.

4

Building a dataset of Wrocław’s historic tenements. Image annotation for machine learning applications

63%

Marcinów A. , Biegańska M. , Kowalska B. , Baran H. , Hardzetski D. , Kwaśnicka H.

|

2024

|

tom Nr 3 (79)

55--64

EN

In recent years, the development of artificial intelligence (AI) has introduced new possibilities in the field of architecture. In the realm of compo sitional analysis and recognition of architectural details, AI can have a significant impact, supporting historical-architectural research, the valorisation of historic buildings, and design in accordance with historical context. However, the successful use of AI in analysing architectural objects requires large datasets to train and test the models. The article aims to demonstrate the creation of a new dataset containing annotated images. The NeoFaçade collection serves as a historical dataset, containing façades of the 19th and 20th century townhouses from Wrocław and, in due course, other cities with similar architectural styles (for example, Szczecin or Berlin). Gathering highquality photographic material and marking architectural elements accurately, enables to use the dataset for various AI tasks: semantic segmentation, image classification, and generation of pictures of tenement house façades. This way, the NeoFaçade dataset can potentially be applied in architectural practice or historic preservation. The methodology for creating the dataset developed by the authors consists of three stages: preparation of the data acquisition procedure, data processing: creation of a dataset that meets the requirements and a summary of the dataset. All stages are discussed in detail in the paper, including an example annotation of one of the townhouses. In the future, the research team will focus on expanding the collection with new photographs, while also striving to demonstrate NeoFaçade value as a tool supporting innovative research projects and practical applications.

PL

W ostatnich latach rozwój sztucznej inteligencji (SI) wprowadził nowe możliwości także w dziedzinie architektury. W obszarze analizy kompozycyjnej i rozpoznawania detali architektonicznych SI może mieć istotny wpływ na wspieranie badań historyczno-architektonicznych poprzez waloryzację zabytkowych budynków oraz projektowanie zgodne z historycznym kontekstem. Skuteczne wykorzystanie SI w analizie obiektów architektonicznych wymaga jednak dostarczenia dużych zbiorów danych niezbędnych do trenowania i testowania modeli. Celem autorów artykułu było przedstawienie procesu tworzenia zbioru danych zawierającego anotowane zdjęcia. Opracowana metodologia tworzenia zbioru składa się z trzech etapów: przygotowania procedury pozyskiwania danych, przetwarzania danych – utworzenia zbioru danych spełniających wymagania oraz podsumowania zbioru danych. Wszystkie etapy zostały w pracy szczegółowo omówione wraz z pokazaniem przykładowej anotacji jednej z kamienic. Zbiór NeoFaçade służy jako historyczny zbiór danych zawierający fasady kamienic z XIX i XX w. z Wrocławia, a w przyszłości także z innych miast o podobnych stylach architektonicznych (np. Szczecina czy Berlina). Zgromadzenie wysokiej jakości materiału fotograficznego i dokładne oznaczenie elementów architektonicznych umożliwia wykorzystanie zbioru danych w różnych zadaniach sztucznej inteligencji: segmentacji semantycznej, klasyfikacji obrazów, a także w generowaniu elewacji kamienic. W ten sposób zbiór NeoFaçade może być zastosowany w praktyce architektonicznej czy w konserwacji zabytków. W przyszłości zespół badawczy skupi się na rozszerzeniu o nowe fotografie zbioru, jednocześnie będzie starał się pokazać, że NeoFaçade jest wartościowym narzędziem wspierającym innowacyjne projekty badawcze i praktyczne zastosowania.