Обнаружение трещин и повреждений с использованием глубокого обучения и сверточных нейронных сетей

Deep Learning‐Based Crack Damage Detection Using Convolutional Neural Networks
Young‐Jin Cha, Wooram Choi, Oral Büyüköztürk
2017-03-24

детектирование границ Канни и Собеляинспекция гражданской инфраструктурыобнаружение трещин в бетонесверточные нейронные сетиметод скользящего окна
Для обнаружения дефектов объектов гражданской инфраструктуры был разработан ряд методов обработки изображений (ИОИ), частично заменяющих проводимые человеком обследования на месте. Эти методы в основном применяются для обработки изображений с целью выделения признаков дефектов, таких как трещины на бетонных и стальных поверхностях. Однако значительная вариативность реальных условий, включая изменения освещения и теней, затрудняет широкое применение методов обработки изображений. Для преодоления этих ограничений в статье предложен метод на основе компьютерного зрения, использующий глубокую архитектуру сверточных нейронных сетей (СНС) для обнаружения трещин в бетоне без вычисления признаков дефектов. Поскольку СНС способны автоматически обучаться выделению признаков изображений, предложенный метод не требует совместного применения методов обработки изображений для извлечения признаков. Разработанная СНС была обучена на 40 тыс. изображений с разрешением 256 × 256 пикселей и впоследствии продемонстрировала точность около 98%. Обученную СНС объединили с методом скользящего окна для сканирования изображений размером более 256 × 256 пикселей. Надежность и адаптивность предложенного подхода были проверены на 55 изображениях с разрешением 5 888 × 3 584 пикселя, полученных для другого сооружения, не использовавшегося в процессах обучения и валидации, в различных условиях, включая яркие световые пятна, тени и очень тонкие трещины. Для оценки эффективности предложенной СНС были проведены сравнительные исследования с использованием традиционных методов обнаружения границ Кэнни и Собеля. Результаты показывают, что предложенный метод обеспечивает значительно более высокую эффективность и действительно способен обнаруживать трещины в бетоне в реальных условиях.
1
Глубокая сверточная нейронная сеть обнаруживает трещины в бетоне без ручного выделения признаков дефектов и традиционной обработки изображений.
2
Объединение обученной CNN с методом скользящего окна позволяет анализировать изображения размером более 256 × 256 пикселей.
3
По сравнению с традиционными методами выделения границ Canny и Sobel предложенный подход показал значительно лучшую эффективность в реалистичных условиях обследования.
4
Сеть обучалась на 40 000 изображений размером 256 × 256 пикселей и достигла точности около 98%.
5
Метод протестировали на 55 ранее не использованных изображениях размером 5 888 × 3 584 пикселя при сильных световых пятнах, тенях и наличии очень тонких трещин.

Трещины в бетоне на поверхностях объектов гражданской инфраструктуры при различных реальных условиях получения изображений

Устойчивое и точное обнаружение трещин в бетоне по изображениям, включая очень тонкие трещины при изменениях освещения и наличии теней

Publication Details
Publication Date
2017-03-24
Journal
Publisher
ISSN
Cited by
3398
Access Type
Author Information
Authors
Young‐Jin Cha
Wooram Choi
Oral Büyüköztürk
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%