Автоматизированное обнаружение усталостных трещин в ортотропных стальных настилах с использованием усовершенствованного подхода на основе сверточной нейронной сети Mask R-CNN

Ортотропные стальные настилы (ОСН) широко применяются в мостовой отрасли, однако они подвержены образованию усталостных трещин вследствие различных факторов, включая дефекты сварных швов, движение перегруженного транспорта и сложные конфигурации сварных соединений. Традиционные методы обнаружения трещин в основном основаны на визуальном осмотре, который требует много времени и подвержен ошибкам. В последнее время был предложен ряд методов обнаружения трещин на основе машинного зрения. Тем не менее точное и эффективное обнаружение усталостных трещин в ОСН остается сложной задачей, поскольку такие трещины часто слабо различимы на фоне изображения и подвержены влиянию различных видов шумов. Для решения этих проблем в исследовании предлагается усовершенствованная сверточная нейронная сеть Mask Region-Based Convolutional Neural Network (Mask R-CNN). Предложенная модель повышает способность исходной Mask R-CNN к извлечению признаков за счет включения в базовую сеть модуля внимания сверточных блоков (Convolutional Block Attention Module, CBAM) и пирамидальной сети признаков с дополнением путей (Path Augmentation Feature Pyramid Network, PAFPN). Кроме того, для устранения проблемы разрывов трещин к извлеченным изображениям усталостных трещин применяется морфологическая операция замыкания. На основе замыкания масок трещин выполняется попиксельная количественная оценка трещин с использованием соответствующих функций OpenCV. Оценка на наборе данных о трещинах в ОСН показала, что предложенная модель превосходит другие методы, достигая значений точности, полноты, средней точности (AP) и F1-меры 83,98%, 84,44%, 77,9% и 84,21% соответственно. В заключение эксперимент подтверждает, что предложенная модель способна эффективно обнаруживать, сегментировать и количественно оценивать усталостные трещины в ОСН.