تشخیص آسیب ترک خوردگی بر مبنای یادگیری عمیق با استفاده از شبکه های عصبی پیچشی

تشخیص آسیب ترک خوردگی بر مبنای یادگیری عمیق با استفاده از شبکه های عصبی پیچشی
چکیده: تعدادی از تکنیک های پردازش تصویر (IPT) برای شناسایی نقصایص زیرساخت عمرانی به کار گرفته شده است تا بطورنسبی جایگزین بازرسی های انجام شده در محل توسط انسان شود. این IPT ها در درجه اول برای دستکاری تصاویر برای استخراج ویژگی های نقص ، مانند ترک در سطوح بتونی و فولادی استفاده می شوند. (تشخیص ترک خوردگی با شبکه عصبی)
با این حال ، شرایط بسیار متفاوت در دنیای واقعی (به عنوان مثال ، تغییر نور و سایه) می تواند منجر به چالش هایی برای پذیرش گسترده IPT ها شود.
برای غلبه بر این چالش ها ، این مقاله یک روش مبتنی بر بینایی با استفاده از یک معماری عمیق شبکه های عصبی پیچشی CNN) ) برای تشخیص ترک های بتنی بدون محاسبه ویژگی های نقص پیشنهاد می کند. از آنجا که CNN ها قادر به یادگیری خودکار ویژگی های تصویر هستند، روش پیشنهادی بدون ترکیب IPT ها برای استخراج ویژگی ها کار می کند.
CNN طراحی شده بر روی تصاویر تصویر K40 با رزولوشن 256 × 256 پیکسل آموزش داده شده و در نتیجه با دقت حدود 98٪ ضبط می شود.
CNN آموزش دیده با یک روش پنجره لغزنده برای اسکن اندازه تصویر بزرگتر از رزولوشن 256 × 256 پیکسل ترکیب شده است.
استحکام و سازگاری رویکرد پیشنهادی بر روی 55 تصویر با رزولوشن 5888 × 3584 پیکسل گرفته شده از یک ساختار متفاوت که برای فرآیندهای آموزش و اعتبارسنجی تحت شرایط مختلف (به عنوان مثال ، نقطه نور شدید ، سایه ها و ترک های بسیار نازک) استفاده نمی شود ، آزمایش می شود . مطالعات مقایسه ای برای بررسی عملکرد CNN پیشنهادی با استفاده از روشهای سنتی تشخیص لبه Canny و Sobel انجام شده است. نتایج نشان می دهد که روش پیشنهادی عملکرد بسیار بهتری را نشان می دهد و در واقع می تواند ترک های بتنی را در موقعیت های واقع بینانه پیدا کند.(تشخیص ترک خوردگی با شبکه عصبی)
مقدمه
زیرساخت های عمرانی، از جمله پل ها ، سدها و آسمان خراش ها ، به دلیل خراب شدن در اثر استفاده ، در معرض از دست دادن عملکردهای طراحی شده خود قرار می گیرند. این روند اجتناب ناپذیر بیانگر مسائل ضروری نگهداری است.
به عنوان مثال ، تعدادی از پل های ساخته شده در سراسر ایالات متحده بین 1950 و 1960 به مدت 50 سال طراحی شده اند.
بنابراین ، بیشتر آنها قبلاً برای مدت زمان مورد نظر خود استفاده شده اند (AAOSHAT ، 2008). اگرچه این نگرانی باعث شده است كه مردم به طور منظم از این سازه ها بازدید كنند (اداره بزرگراه های فدرال ، بدون تاریخ) ، اما به دلیل محدودیت منابع انسانی ، بازرسی در محل برای تشخیص آنها نیاز به بستن سیستم های پل یا سازه های ساختمانی دارد. به همین دلیل ، بسیاری از گروه های تحقیقاتی تکنیک های نظارت بر سلامت ساختاری (SHM) را پیشنهاد داده اند.
برای استقرار سیستم های SHM ، از شناسایی های سیستم ساختاری مبتنی بر ارتعاش از طریق ادغام های روش عددی استفاده شده است (Teidj et al.، 2016؛ Chatzi et al.، 2011؛ Rabinovich et al.، 2007؛ Cha and Buyukozturk، 2015).
با این حال ، این روش هنوز چندین چالش برای نظارت بر زیرساخت های عمرانی در مقیاس بزرگ به دلیل عدم قطعیت های مختلف و اثرات زیست محیطی یکنواخت توزیع نشده ،در زمره سایر موارد دارد.
اگرچه بسیاری از آثار SHM در مقیاس بزرگ برای پوشش دادن ساختارهای در مقیاس بزرگ انجام شده اند (Kurata و همکاران ، 2012 ؛ Jang و همکاران ، 2010) ، ابزار محکم، مانند نصب سنسورهای متعدد ، ادغام داده ها از منابع توزیع شده و جبران اثرات زیست محیطی مورد نیاز است (Xia و همکاران ، 2012 ؛ Cornwell و همکاران ، 1999). (تشخیص ترک خوردگی با شبکه عصبی)
سرانجام ، تأیید اینکه آیا داده های جمع آوری شده واقعاً آسیب ساختاری ، سوعملکرد سیستم حسی ، سیگنال های پر سر و صدا یا ترکیبی از اینها را نشان می دهد ، قبل از بررسی سیستم ها و ساختارهای حسی به صورت شخصی آسان نیست.
تعدادی از روش های مبتنی بر دید برای شناسایی آسیب ها ، در درجه اول با استفاده از تکنیک های پردازش تصویر (IPT) ، برای رهایی از پیچیدگی ها ارائه شده است (Cha et al.، 2017؛ Chen et al.، 2015).
یکی از مزایای قابل توجه IPT این است که تقریباً همه نقص های سطحی (به عنوان مثال ، ترک ها و خوردگی) قابل شناسایی هستند.
یک مطالعه مقایسه ای اولیه در مورد یافتن ترکهای بتنی با استفاده از چهار روش تشخیص لبه – تبدیل سریع Haar (FHT) ، تبدیل سریع Fourier ، آشکارساز لبه Sobel و آشکارساز لبه Canny – توسط عبدالقادر (2003) انجام شد، که FHT را به عنوان بهترین راه حل برای این کار تعریف کرد. این مطالعه با بررسی مشکلات تشخیص لبه اصلاح شده (Nishikawa et al.، 2012؛ Alaknanda and Kumar، 2009؛ Yamaguchi et al.، 2008؛ Sinha and Fieguth، 2006؛ Song and Civco، 2004) دنبال شد.
Yeum و Dyke (2015) مطالعه ای را برای تشخیص ترک های فولادی با استفاده از IPT همراه با تکنیک پنجره لغزنده پیشنهاد کردند.
این مقاله به خوبی پتانسیل IPT ها را نشان می دهد. علیرغم اینکه نمونه آزمایشی آنها دارای ویژگی های ترک مانند بسیاری به دلیل زنگ زدگی یک تیر فلزی است ، ویژگی های غیر ضروری به طور موثر حذف شده و ویژگی های قوی ترک مانند با استفاده از فیلتر Frangi و آشکارساز لبه مبتنی بر ماتریس Hessian استخراج شد ( Frangi و دیگران ، 1999).(تشخیص ترک خوردگی با شبکه عصبی)
با این حال ، تشخیص لبه یک مشکل ناجور است ، زیرا نتایج به طور قابل توجهی تحت تأثیر صداهای ایجاد شده ، عمدتا از نور و تحریف قرار می گیرند و هیچ راه حل بهینه وجود ندارد ( Ziou و Tabbone، 1998). یکی از روشهای موثر برای غلبه بر این مسائل ، اجرای تکنیکهای حذف نویز است.
حذف نویز تغییر کلی (رودین و همکاران ، 1992) یک روش شناخته شده است که صداهای داده های تصویر را کاهش می دهد و قابلیت تشخیص لبه تصاویر را افزایش می دهد. این روش در مطالعه (Cha و همکاران ، 2016) برای شناسایی پیچ و مهره های شل شده از تصاویر انجام شد.
با این حال ، استفاده از چنین پردازش تصویری متنی (به عنوان مثال ، با استفاده از دانش قبلی) محدود است ، زیرا داده های تصویر گرفته شده در شرایط دنیای واقعی بسیار متفاوت است.
یک راه حل ممکن که از قابلیت سازگاری بیشتری در شرایط واقعی برخوردار باشد ، استفاده از الگوریتم های یادگیری ماشینی MLA) ) است (LeCun و همکاران ، 1998) ، و چندین گروه تحقیقاتی تکنیک هایی را پیشنهاد داده اند که می توانند نقایص ساختاری را با استفاده از این روش تشخیص دهند (Butcher و همکاران ، 2014 ؛ Jiang و Adeli، 2007 ؛ Liu و همکاران ، 2002). این رویکردها ابتدا سیگنالهای حاصل از آزمایش غیر مخرب را جمع آوری می کنند و ارزیابی می کنند که آیا سیگنالهای جمع آوری شده نقص را نشان می دهند یا نه.
در سال های اخیر ، بسیاری ترکیبی از استخراج ویژگی های تصویر مبتنی بر IPT و طبقه بندی مبتنی بر MLA را اجرا کرده اند (O’Byrne et al., 2014; Wu et al., 2014; Jahanshahi et al., 2013; O’Byrne et al., 2013; Moon and Kim, 2011) اگرچه آنها MLA را در روشهای خود وارد کردند، اما نتایج روشهای فوق الذكر علاوه بر استخراج ویژگیهای نادرست IPT ها، به ناچار پیچیدگیهای پیاده سازی های حسگر را نیز به ارث برده اند.(تشخیص ترک خوردگی با شبکه عصبی)
انواع بسیاری از شبکه های عصبی مصنوعی (ANN ها) ، از جمله شبکه عصبی احتمالی (NN) (احمدلو و عادلی ، 2010) ، توسعه یافته و برای زمینه های تحقیقاتی و صنعتی سازگار شده است .
اما شبکه های عصبی کانولوشن (CNN) در شناسایی تصویر برجسته شده اند ، که از قشر بینایی حیوانات الهام گرفته شده اند (Ciresan و همکاران ، 2011).
برخلاف NN های استاندارد ، CNN ها می توانند توپولوژی شبه شبکه را به طور موثر ضبط کنند و به دلیل نورون های اتصال یافته کم و روند تجمع، به محاسبات کمتری احتیاج دارند. علاوه بر این ، CNN ها قادر به تمایز تعداد زیادی از طبقات هستند (Krizhevsky و همکاران ، 2012). این جنبه ها CNN را به روشی کارآمد برای شناسایی تصویر تبدیل می کند (Simard و همکاران ، 2003 ؛ LeCun و همکاران ، 2015).
نسخه قبلی CNN ها نیاز به مقدار زیادی داده دارای برچسب بود که با هزینه محاسباتی بالایی همراه بود ، اما این مسئله با استفاده از پایگاه داده های حاوی حاشیه نویسی خوب (ImageNet ، بدون تاریخ ؛ CIFAR-10 و مجموعه داده CIFAR- 100 ، بدون تاریخ ، پایگاه داده MNIST ، بدون تاریخ) و محاسبات موازی با استفاده از واحدهای پردازش گرافیکی (Steinkrau و همکاران ، 2005) برطرف شد.
بعداً به دلیل این عملکرد عالی ، مطالعه ای برای تشخیص نقص راه آهن با استفاده از CNN پیشنهاد شد (Soukup وHuber-Mork؛ 2014).
سطوح ریل همگن هستند و تصاویر در شرایط کنترل شده جمع آوری می شوند. این را نمی توان همانند تشخیص نقص سطح بتن به دلیل سطح غیر همگن دانست. بنابراین ، یک معماری عمیق با دقت پیکربندی شده و مجموعه داده های فراوان ، که تحت شرایط بسیار متنوعی گرفته شده است ، برای مقابله با انواع واقعی مشکلات دنیای واقعی ضروری است.(تشخیص ترک خوردگی با شبکه عصبی)
در این مطالعه ، ما از CNN ها برای ساخت یک طبقه بندی کننده برای تشخیص ترک های بتونی از تصاویر استفاده می کنیم.
اولین هدف این مقاله ساخت یک طبقه بندی کننده محکم است که کمتر تحت تأثیر نویز ناشی از نور ، سایه انداختن ، تاری و غیره قرار گیرد و طیف گسترده ای از سازگاری را تأمین کند.
هدف دوم ساخت یک بستر آزمایشی اولیه است که به سایر محققان امکان می دهد انواع اضافی آسیب ساختاری مانند لایه لایه شدگی ، حفره ها ، پوسته شدن و خوردگی اعضای بتن و فولاد را تشخیص دهند.
مزیت اصلی تشخیص ترکهای بتنی مبتنی بر CNN این است که در مقایسه با رویکردهای سنتی به هیچگونه استخراج و محاسبه ویژگی نیاز ندارد. محتوای این تحقیق به شرح زیر شرح داده شده است.
بخش 2 خلاصه ای از روش پیشنهادی را ارائه می دهد.
بخش 3 ، معماری کلی CNN پیشنهادی را معرفی می کند و جزییات روش شناسی CNN ، از جمله لایه های اساسی و کمکی را توضیح می دهد.
بخش 4 ابر پارامترهای خاصی را که برای آموزش CNN استفاده می شود و همچنین ملاحظات ایجاد بانک اطلاعات (DB) را در معرض دید قرار می دهد. بخش 5 نشان می دهد که چارچوب چگونه تصاویر آزمایشی را ارزیابی می کند و شامل بحث هایی در مورد عملکرد و پتانسیل روش است. بخش 6 این مقاله را به پایان می رساند.(تشخیص ترک خوردگی با شبکه عصبی)
شکل 1. فلوچارت برای تشخیص ترک های بتنی
نتیجه گیری
یک رویکرد مبتنی بر دید برای تشخیص ترک ها بر روی تصاویر بتونی با استفاده از یک روش یادگیری عمیق ارائه شد. تصاویر بتن مورد نیاز برای آموزش، اعتبار سنجی و آزمایشات با دوربین دستی گرفته شد. در مجموع 332 تصویر گرفته شده و برای آزمایش به 277 تصویر با رزولوشن 4928 × 3264 پیکسل و 55 تصویر با رزولوشن 5888 × 3584 پیکسل تقسیم شد. برای اطمینان از طیف گسترده ای از سازگاری، تصاویر در شرایط کنترل نشده گرفته شده اند.
277 تصویر برای آموزش و پردازشهای اعتبارسنجی به تصاویر 40 K با وضوح 256 ×256 پیکسل برش داده شدند. تصاویر کوچک به عنوان مجموعه داده ها برای آموزش CNN استفاده شد.
این شبکه آموزش دیده در آموزش و اعتبار سنجی به ترتیب دقت 98.22٪ تصاویر32K و 97.95٪ تصاویر 8K را ثبت کرد. طبق یک مطالعه پارامتریک، تصاویر بیش از 10K برای اطمینان از مقاومت کافی توصیه شد.
عملکرد CNN آموزش دیده بر روی 55 تصویر بزرگ با رزولوشن 5888 × 3584 پیکسل ارزیابی شد. تصاویر آزمایش شده توسط CNN آموزش دیده با استفاده از روش پنجره لغزنده اسکن شدند، که اسکن هر تصویر با رزولوشن بیشتر از 256 ×256 پیکسل را تسهیل کرد و نقشه های ترک به طور مداوم بدست آمد.(تشخیص ترک خوردگی با شبکه عصبی)
نتایج آزمون عملکرد مطلوبی را نشان داد، اگرچه تصاویر آزمایشی تحت شرایط مختلف از جمله نقطه نور شدید، سایه، تاری و نمای نزدیک گرفته شده است. علاوه بر این، عملکرد روش پیشنهادی به کیفیت تصاویر، مشخصات دوربین و فاصله کار حساس نبود.
از مطالعات تطبیقی، که از شرایط مختلفی با تصاویر خام استفاده کردند، روش پیشنهادی CNN عملکرد بسیار قوی در مقایسه با روش های سنتی شناخته شده تشخیص لبه (مانند Canny و Sobel ) نشان داد.
روش های تشخیص لبه Sobel و Canny هیچ اطلاعات معنی داری در مورد ترک ایجاد نکردند، حتی اگر تصاویر آزمایش طبیعی بودند.
این روش ها ممکن است از نظر رنگ و بافت نتوانند به درستی سطح غیر همگن بتن را اصلاح کنند. CNN پیشنهادی خصوصاً در تشخیص ترکهای نازک در شرایط نوری که هنگام استفاده از روشهای سنتی تشخیص را دشوار می کند، قوی بود. روش پیشنهادی همچنین میزان نویز کمتری نسبت به روشهای سنتی را نشان داد و نتایج تصویر خام را ارائه داد، که باعث ایجاد تمایز بین صداها و خطاها می شود. تا آنجا که به طور کلی روش پیش می رود، توانایی CNN در یادگیری ویژگی ها از مقدار زیادی از داده های آموزشی یک مزیت بزرگ است.
با این حال، این همچنین بدان معنی است که یک روش پیاده سازی شده CNN برای آموزش یک طبقه بندی کننده قوی به مقدار زیادی داده آموزشی نیاز دارد.
یکی از محدودیت های معمول تقریباً همه رویکردهای مبتنی بر دید، از جمله پیاده سازی IPT ها و CNN ها، عدم توانایی سنجش ویژگی های داخلی به دلیل ماهیت تصاویر عکاسی است. در آینده، CNN برای شناسایی انواع مختلف صدمات سطحی، از جمله فضاهای خالی، لایه لایه شدگی، پوسته شدن و خوردگی سازه های بتونی و فولادی، برای جایگزینی نسبی بازرسی بصری دو ساله توسعه می یابد و در حال حاضر مطمئن ترین روش برای نظارت سلامت ساختار است. این امر همچنین با پهپادهای خودکار برای نظارت بر آسیب ساختارهای عمرانی همراه خواهد شد.(تشخیص ترک خوردگی با شبکه عصبی)
برای مشاهده مطالب بیشتر به سایت فرزدان مراجعه نماید.