• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • DeepCrack:un nuevo método jerárquico basado en CNN para la segmentación de grietas

    Una ilustración de la arquitectura DeepCrack propuesta. En esta arquitectura, no hay capas completamente conectadas, las capas de salida lateral se insertan después de las capas convolucionales, Se aplica una supervisión profunda en cada capa de salida lateral y luego todas se concatenan para formar una salida fusionada final. De este modo, la capa de salida final adquiere características de múltiples escalas y niveles a medida que el tamaño del plano de la entrada de las capas de salida lateral se vuelve más pequeño y el tamaño del campo receptivo se vuelve más grande. La predicción fusionada se refina mediante el filtrado guiado con la primera capa de salida lateral. Crédito:Liu et al.

    Detectar y analizar grietas en estructuras artificiales es una tarea importante que puede ayudar a garantizar que los edificios sean seguros y estén bien mantenidos. Dado que emplear trabajadores humanos para inspeccionar edificios con regularidad puede resultar muy caro, Los investigadores han estado tratando de desarrollar herramientas que puedan detectar grietas automáticamente.

    Investigadores del Laboratorio de Visión por Computadora y Percepción Remota (CVRS) de la Universidad de Wuhan, en China, han desarrollado una nueva red neuronal convolucional jerárquica profunda (CNN) para predecir la segmentación de grietas por píxeles. Su enfoque llamado DeepCrack, se describe en un artículo publicado recientemente en Neurocomputación .

    "Proponemos una red neuronal convolucional jerárquica profunda (CNN) llamada DeepCrack para predecir la segmentación de grietas por píxeles en un método de extremo a extremo, "escribieron los investigadores en su artículo". Durante la capacitación, el modelo de diseño elaborado aprende y agrega características de múltiples escalas y niveles desde las capas convolucionales bajas hasta las capas convolucionales de alto nivel, que es diferente de los enfoques estándar de usar solo la última capa convolucional ".

    La detección de grietas en imágenes naturales normalmente requiere diferentes "niveles" de procesamiento visual. Por lo tanto, El diseño de un método universal que pueda detectar grietas en una variedad de escenas ha resultado hasta ahora bastante desafiante.

    Estudios anteriores han introducido numerosos métodos de visión por computadora para la detección de grietas, que se pueden agrupar en dos categorías amplias:enfoques basados ​​en características locales y basados ​​en características globales. Los métodos basados ​​en características locales funcionan explotando características locales como la intensidad, degradado, variación local y anisotropía de textura local, mientras que los métodos basados ​​en características globales extraen curvas de grietas en una vista general del edificio a través de la programación dinámica, Optimización de las funciones de destino en función de criterios específicos. A pesar de los prometedores resultados obtenidos con algunos de estos métodos, no siempre resuelven bien el ruido causado por las manchas, lugares, mala iluminación, desenfoque y otros factores.

    Estudios recientes han encontrado que las redes neuronales convolucionales (CNN) pueden lograr un rendimiento de vanguardia en una variedad de tareas avanzadas de visión por computadora, incluido el reconocimiento de imágenes, detección de objetos y segmentación semántica. Las CNN pueden agregar múltiples niveles visuales, por lo tanto, podría ser particularmente eficaz para la detección y segmentación de grietas.

    El equipo de investigadores de la Universidad de Wuhan ha propuesto un nuevo método de segmentación de grietas basado en CNN, que puede aprender de manera efectiva las características jerárquicas de las grietas en múltiples escenas y en diferentes escalas. Para refinar la predicción de sus CNN, los investigadores utilizaron técnicas de filtrado guiado (GF) y campos aleatorios condicionales (CRF).

    DeepCrack, el nuevo enfoque introducido por los investigadores, consta de redes extendidas totalmente convolucionales (FCN) y redes profundamente supervisadas (DSN). El componente DSN de su modelo proporciona supervisión directa para el aprendizaje de características multinivel, facilitando el aprendizaje de características de cada capa convolucional.

    En su estudio, Los investigadores también introdujeron un conjunto de datos de referencia público con imágenes de grietas anotadas manualmente, que se puede utilizar para evaluar sistemas de detección de grietas. Además, establecieron métricas completas para evaluar los sistemas de detección de grietas, como las pruebas de segmentación semántica, una curva de recuperación de precisión y una curva de característica operativa del receptor (ROC).

    Los investigadores evaluaron DeepCrack y lo compararon con otros enfoques para la segmentación de grietas, utilizando el conjunto de datos y las métricas diseñadas por ellos. En estas evaluaciones, su método funcionó tan bien como otras técnicas de vanguardia. Ahora planean desarrollar aún más su método, al mismo tiempo que agrega más imágenes de regiones de falsas grietas a su conjunto de datos de referencia, para hacerlo más completo.

    © 2019 Science X Network




    © Ciencia https://es.scienceaq.com