Het detecteren en analyseren van scheuren in door de mens gemaakte constructies is een belangrijke taak die kan helpen ervoor te zorgen dat gebouwen veilig en goed onderhouden zijn. Aangezien het in dienst nemen van menselijke werknemers om gebouwen regelmatig te inspecteren erg duur kan zijn, onderzoekers hebben geprobeerd tools te ontwikkelen die scheuren automatisch kunnen detecteren.

Onderzoekers van het Computer Vision and Remote Sensing (CVRS) Lab van de Wuhan University, in China, hebben een nieuw diep hiërarchisch convolutioneel neuraal netwerk (CNN) ontwikkeld om pixelgewijze scheursegmentatie te voorspellen. Hun aanpak, genaamd DeepCrack, wordt geschetst in een paper dat onlangs is gepubliceerd in Neurocomputing .

"We stellen een diep hiërarchisch convolutioneel neuraal netwerk (CNN) voor, DeepCrack genaamd, om pixelgewijze scheursegmentatie te voorspellen in een end-to-end-methode, ' schreven de onderzoekers in hun paper. 'Tijdens de training, het uitvoerig ontworpen model leert en aggregeert multi-schaal en multi-level features van de lage convolutionele lagen tot de high-level convolutionele lagen, die verschilt van de standaardbenaderingen van het gebruik van alleen de laatste convolutionele laag."

Het detecteren van scheuren in natuurlijke beelden vereist doorgaans verschillende 'niveaus' van visuele verwerking. Daarom, het ontwerpen van een universele methode die scheuren in verschillende scènes kan detecteren, is tot nu toe behoorlijk uitdagend gebleken.

Eerdere studies hebben talloze computervisiemethoden geïntroduceerd voor scheurdetectie, die kunnen worden gegroepeerd in twee brede categorieën:op lokale functies gebaseerde en op wereldwijde functies gebaseerde benaderingen. Op lokale kenmerken gebaseerde methoden werken door gebruik te maken van lokale kenmerken zoals intensiteit, verloop, lokale variantie en lokale textuur anisotropie, terwijl op globale kenmerken gebaseerde methoden scheurcurven extraheren in een algemeen beeld van het gebouw via dynamische programmering, het optimaliseren van doelfuncties op basis van specifieke criteria. Ondanks de veelbelovende resultaten die met sommige van deze methoden zijn verkregen, ze gaan niet altijd goed om met geluid veroorzaakt door vlekken, vlekken, slechte verlichting, vervaging en andere factoren.

Recente studies hebben aangetoond dat convolutionele neurale netwerken (CNN's) state-of-the-art prestaties kunnen bereiken in een verscheidenheid aan geavanceerde computer vision-taken, inclusief beeldherkenning, objectdetectie en semantische segmentatie. CNN's kunnen meerdere visuele niveaus samenvoegen, zou daarom bijzonder effectief kunnen zijn voor scheurdetectie en segmentatie.

Het team van onderzoekers van Wuhan University heeft een nieuwe crack-segmentatiemethode voorgesteld op basis van CNN's, die effectief hiërarchische kenmerken van scheuren in meerdere scènes en op verschillende schalen kan leren. Om de voorspelling van hun CNN's te verfijnen, de onderzoekers gebruikten technieken voor begeleide filtering (GF) en voorwaardelijke willekeurige velden (CRF's).

DeepCrack, de nieuwe aanpak van de onderzoekers, bestaat uit uitgebreide volledig convolutionele netwerken (FCN's) en diep gesuperviseerde netten (DSN's). De DSN-component van hun model biedt directe supervisie voor het leren van functies op meerdere niveaus, het vergemakkelijken van het leren van functies van elke convolutionele laag.

In hun studie hebben de onderzoekers introduceerden ook een openbare benchmark-dataset met handmatig geannoteerde afbeeldingen van scheuren, die kunnen worden gebruikt om scheurdetectiesystemen te evalueren. In aanvulling, ze hebben volledige statistieken opgesteld om scheurdetectiesystemen te evalueren, zoals semantische segmentatietests, een precisie-recall-curve en een receiver-operationele karakteristiek (ROC)-curve.

De onderzoekers evalueerden DeepCrack en vergeleken het met andere benaderingen voor scheursegmentatie, met behulp van de dataset en metrieken die door hen zijn bedacht. Bij deze evaluaties hun methode presteerde evenals andere state-of-the-art technieken. Ze zijn nu van plan om hun methode verder te ontwikkelen, terwijl ze ook meer afbeeldingen van valse crack-regio's toevoegen aan hun benchmark-dataset, om het uitgebreider te maken.

© 2019 Wetenschap X Netwerk