Обнаружение трещин и повреждений с использованием глубокого обучения и сверточных нейронных сетей
Deep Learning‐Based Crack Damage Detection Using Convolutional Neural Networks
2017-03-24
SCID: 54.1/5xr9fwx5
Discuss with AI
детектирование границ Канни и Собеляинспекция гражданской инфраструктурыобнаружение трещин в бетонесверточные нейронные сетиметод скользящего окна
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Трещины в бетоне на поверхностях объектов гражданской инфраструктуры при различных реальных условиях получения изображений
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью6
Искусственный интеллект и интеллектуальное компьютерное зрение для строительства и строительной отрасли 4.0: методы и применения машинного и глубокого обучения2022
Метод обнаружения аномалий данных для мониторинга состояния конструкций на основе компьютерного зрения и глубокого обучения2018
Глубокое обучение в строительной отрасли: обзор современного состояния и будущих инноваций2020
Большие данные в управлении стихийными бедствиями: обзор2018
Подходы к выявлению и классификации дефектов на основе визуального контроля для промышленных применений — ОБЗОР2020
Обзор и анализ методов автоматической оптической инспекции и контроля качества в электронной промышленности2020