Robust and constrained tracking of PSV interface using convolutional neural networks and optimistic moving horizon estimation
Notice bibliographique
Résumé
This manuscript proposes a novel video-based robust and constrained estimation framework using the convolutional neural network and optimistic moving horizon estimation, with applications in interface estimation of oil sand primary separation vessels (PSV). Although convolutional neural networks have achieved notable success across various computer vision and image analysis tasks, image outliers (such as blocking, blurriness, and lighting variations) would inevitably affect recognition/tracking performance. To address this issue, this manuscript proposes a robust estimation approach by leveraging a convolutional neural network and moving horizon estimation. Along this line, the interface recognition results by the convolutional neural network can be modeled as the measurements corrupted by disturbances and outliers, and the internal states can be modeled through a discrete-time finite-dimensional state space model. More importantly, the ubiquitously present constraints in the estimation task can be explicitly and readily handled by the moving horizon estimation. The stability analysis of the proposed method is provided in the presence of disturbances and model-plant mismatch. The effectiveness of the proposed method is validated through a pilot-scale laboratory study and an industrial primary separation vessel case study. • A combined CNN and MHE approach for interface estimation is proposed. • The proposed method can explicitly handle physical constraints in the estimation. • The proposed method is robust to camera blocking, blurriness and lighting variations. • The stability is proven in the presence of disturbances and model-plant mismatch. • Laboratory and industrial videos are used to verify the proposed method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».