DeepCrack:en ny hierarkisk CNN-baseret metode til revnedeling

Detektering og analyse af revner i menneskeskabte strukturer er en vigtig opgave, der kan være med til at sikre, at bygninger er sikre og velholdte. Da det kan være meget dyrt at ansætte menneskelige arbejdere til regelmæssigt at inspicere bygninger, forskere har forsøgt at udvikle værktøjer, der automatisk kan registrere revner.

Forskere ved Computer Vision and Remote Sensing (CVRS) Lab ved Wuhan University, i Kina, har udviklet et nyt dybt hierarkisk konvolutionsnervalt neuralt netværk (CNN) til at forudsige pixelmæssig revnedeling. Deres tilgang, kaldet DeepCrack, er beskrevet i et papir, der for nylig blev offentliggjort i Neurocomputing .

"Vi foreslår et dybt hierarkisk konvolutionsnervalt neuralt netværk (CNN) kaldet DeepCrack for at forudsige pixelmæssig revnedeling i en ende-til-ende-metode, "skrev forskerne i deres papir." Under uddannelse, den udførligt designede model lærer og aggregerer funktioner i flere skalaer og på flere niveauer fra lavkonvolutionslagene til konvolutionslagene på højt niveau, som er forskellig fra standardmetoderne ved kun at bruge det sidste konvolutionslag. "

Opdagelse af revner i naturlige billeder kræver typisk forskellige 'niveauer' af visuel behandling. Derfor, at designe en universel metode, der kan opdage revner i en række scener, har hidtil vist sig at være ret udfordrende.

Tidligere undersøgelser har indført adskillige computervisionsmetoder til revnedetektion, som kan grupperes i to brede kategorier:lokale-feature-baserede og global-feature-baserede tilgange. Lokale funktionsbaserede metoder fungerer ved at udnytte lokale funktioner såsom intensitet, gradient, lokal varians og lokal teksturanisotropi, mens globale funktionsbaserede metoder udtrækker revnekurver i et samlet overblik over bygningen via dynamisk programmering, optimering af målfunktioner baseret på specifikke kriterier. På trods af de lovende resultater opnået ved nogle af disse metoder, de håndterer ikke altid godt støj forårsaget af pletter, pletter, dårlig belysning, sløring og andre faktorer.

Nylige undersøgelser har fundet ud af, at konvolutive neurale netværk (CNN'er) kan opnå topmoderne ydeevne i en række avancerede computervisionsopgaver, herunder billedgenkendelse, objektdetektion og semantisk segmentering. CNN'er kan samle flere visuelle niveauer, derfor kunne være særlig effektiv til revnedetektion og segmentering.

Forskerteamet ved Wuhan University har foreslået en ny crack -segmenteringsmetode baseret på CNN'er, som effektivt kan lære hierarkiske træk ved revner i flere scener og i forskellige skalaer. For at forfine forudsigelsen af ​​deres CNN'er, forskerne brugte guidet filtrering (GF) og betingede tilfældige felter (CRF'er) teknikker.

DeepCrack, den nye tilgang, som forskerne introducerede, består af udvidede fuldt konvolutionsnetværk (FCN'er) og dybt overvåget net (DSN'er). DSN-komponenten i deres model giver direkte tilsyn med multi-level features learning, letter funktionel læring af hvert konvolutionslag.

I deres undersøgelse, forskerne introducerede også et offentligt benchmark -datasæt med manuelt kommenterede billeder af revner, som kan bruges til at evaluere revnedetekteringssystemer. Ud over, de etablerede komplette metrics til evaluering af revnedetekteringssystemer, såsom semantiske segmenteringstest, en præcisions-tilbagekaldelseskurve og en modtagerens driftskarakteristik (ROC) kurve.

Forskerne vurderede DeepCrack og sammenlignede det med andre metoder til revnedeling, ved hjælp af datasættet og metrics udarbejdet af dem. I disse evalueringer, deres metode udført såvel som andre state-of-the-art teknikker. De planlægger nu at udvikle deres metode yderligere, samtidig med at de tilføjer flere billeder af falske revneregioner til deres benchmark -datasæt, for at gøre det mere omfattende.

© 2019 Science X Network