Новый подход к обнаружению трещин в бетоне на основе компьютерного зрения с использованием двумерного вейвлет-преобразования и дискриминантного анализа, учитывающего локальность

В данном исследовании предлагается вычислительно эффективный подход к обнаружению трещин FastCrackNet. В отличие от вычислительно затратной сверточной нейронной сети (CNN), этот метод использует эффективную полносвязную сеть, объединенную с двумерным вейвлет-преобразованием изображений для анализа и дискриминантным анализом, учитывающим локальность (LSDA), для уменьшения числа признаков. Описанный алгоритм применяется для обнаружения мельчайших трещин в бетоне в двух неблагоприятных условиях: при наличии шумов на изображениях и теней. Благодаря сочетанию вейвлетного выделения признаков, сокращения числа признаков и быстрого классификатора на основе глубокого обучения этот метод превосходит другие классификаторы изображений по скорости, производительности и устойчивости. Для оценки точности и скорости FastCrackNet используются две известные предварительно обученные архитектуры CNN — GoogleNet и Xception. Результаты показывают, что FastCrackNet превосходит другие модели по скорости и точности. В исследовании установлены пороговые показатели производительности и вычислительной эффективности для классификации изображений в сложных условиях. По эффективности классификации FastCrackNet превзошел GoogleNet и Xception более чем в 60 и 80 раз соответственно. Кроме того, надежность FastCrackNet подтверждается его устойчивостью и стабильностью при наличии неопределенностей, обусловленных характеристиками сети и входных изображений, такими как размер входного изображения, размер пакета и размерность входных изображений.