En illustration av den föreslagna DeepCrack -arkitekturen. I denna arkitektur, det finns inga helt anslutna lager, sidoutgångsskikten infogas efter faltningsskikten, djup övervakning tillämpas på varje sidoutgångsskikt och sedan sammanfogas alla för att bilda en slutlig sammansmält utgång. På det här sättet, det slutliga utmatningsskiktet förvärvar funktioner i flera skalor och på flera nivåer när planstorleken för inmatningen av sidoutmatningsskikten blir mindre och den mottagliga fältstorleken blir större. Den sammansmältade förutsägelsen förfinas genom guidad filtrering med det första sidoutmatningsskiktet. Upphovsman:Liu et al.
Att upptäcka och analysera sprickor i konstgjorda konstruktioner är en viktig uppgift som kan bidra till att byggnader är säkra och välskötta. Eftersom det kan vara mycket dyrt att anställa mänskliga arbetare för att inspektera byggnader regelbundet, forskare har försökt utveckla verktyg som automatiskt kan upptäcka sprickor.
Forskare vid Computer Vision and Remote Sensing (CVRS) Lab vid Wuhan University, i Kina, har utvecklat ett nytt djupt hierarkiskt konvolutionellt neuralt nätverk (CNN) för att förutsäga pixelvis sprick segmentering. Deras tillvägagångssätt, kallas DeepCrack, beskrivs i en artikel som nyligen publicerades i Neurocomputering .
"Vi föreslår ett djupt hierarkiskt konvolutionellt neuralt nätverk (CNN) som kallas DeepCrack för att förutsäga pixelvis sprick segmentering i en end-to-end metod, "skrev forskarna i sin artikel." Under utbildningen den genomarbetade modellen lär sig och aggregerar funktioner i flera skalor och på flera nivåer från de låga konvolutionslagren till de högkonvolutionslagren på hög nivå, som skiljer sig från standardmetoderna för att bara använda det sista konvolutionslagret. "
Att upptäcka sprickor i naturliga bilder kräver vanligtvis olika "nivåer" av visuell bearbetning. Därför, att designa en universell metod som kan upptäcka sprickor i olika scener har hittills visat sig vara ganska utmanande.
Tidigare studier har introducerat många datorsynmetoder för sprickdetektering, som kan grupperas i två breda kategorier:lokala-funktionsbaserade och globala-funktionsbaserade tillvägagångssätt. Lokala funktionsbaserade metoder fungerar genom att utnyttja lokala funktioner som intensitet, lutning, lokal varians och lokal texturanisotropi, medan globala funktionsbaserade metoder extraherar sprickkurvor i en övergripande bild av byggnaden via dynamisk programmering, optimera målfunktioner baserat på specifika kriterier. Trots de lovande resultaten som erhållits med några av dessa metoder, de hanterar inte alltid bra ljud som orsakas av fläckar, fläckar, dålig belysning, suddighet och andra faktorer.
Nyligen genomförda studier har visat att konvolutionella neurala nätverk (CNN) kan uppnå toppmodern prestanda i en mängd olika avancerade datorsynuppgifter, inklusive bildigenkänning, objektdetektering och semantisk segmentering. CNN kan aggregera flera visuella nivåer, kan därför vara särskilt effektiv för sprickdetektering och segmentering.
Forskargruppen vid Wuhan University har föreslagit en ny spricksegmenteringsmetod baserad på CNN, som effektivt kan lära sig hierarkiska egenskaper hos sprickor i flera scener och i olika skalor. För att förfina förutsägelsen för deras CNN, forskarna använde tekniker för guidad filtrering (GF) och villkorliga slumpmässiga fält (CRF).
DeepCrack, det nya tillvägagångssättet som forskarna introducerade, består av utökade helt konvolutionerande nätverk (FCN) och djupövervakade nät (DSN). DSN-komponenten i deras modell ger direkt övervakning för inlärning av funktioner på flera nivåer, underlättar inlärningen av varje konvolutionslager.
I deras studie, forskarna introducerade också en offentlig referensdatauppsättning med manuellt kommenterade bilder av sprickor, som kan användas för att utvärdera sprickdetekteringssystem. Dessutom, de upprättade kompletta mätvärden för att utvärdera sprickdetekteringssystem, såsom semantiska segmenteringstester, en precision-återkallningskurva och en mottagares funktionskarakteristik (ROC) kurva.
Forskarna utvärderade DeepCrack och jämförde det med andra metoder för sprick segmentering, med hjälp av datauppsättningen och mätvärden som utformats av dem. I dessa utvärderingar, deras metod utförd liksom andra toppmoderna tekniker. De planerar nu att utveckla sin metod ytterligare, samtidigt som de lägger till fler bilder av falska sprickregioner till deras riktmärkesdataset, för att göra det mer omfattande.
© 2019 Science X Network
