تشخیص ترک خوردگی خودکار پل با استفاده از یک شبکه عصبی پیچشی
تشخیص ترک خوردگی خودکار پل با استفاده از یک شبکه عصبی پیچشی
چکیده: تشخیص ترک پل بتنی برای تضمین ایمنی حمل و نقل بسیار مهم است. (تشخیص ترک خوردگی خودکار پل)
ورود فناوری یادگیری عمیق امکان تشخیص خودکار و دقیق ترک های پل ها را فراهم می کند. ما یک مدل تشخیص ترک از انتها به انتها را بر اساس شبکه عصبی پیچشی ( CNN) ارائه دادیم که از مزایای پیچیدگی آتروس ، اندازه گیری ادغام هرم فضایی آتروس (ASPP) و کانولوشن قابل تفکیک عمقی برخوردار است.
کانولوشن آتروس بدون کاهش تفکیک پذیری ، یک میدان پذیرنده بزرگتر به دست می آورد.
اندازه گیری ASPP شبکه را قادر می سازد تا اطلاعات زمینه چند مقیاسی را استخراج کند ، در حالی که کانولوشن قابل تفکیک عمقی، پیچیدگی محاسبات را کاهش می دهد. مدل پیشنهادی بدون آموزش قبلی به دقت تشخیصی 96.37٪ دست یافت. آزمایشات نشان داد که در مقایسه با مدلهای طبقه بندی سنتی ، مدل پیشنهادی عملکرد بهتری دارد.
علاوه بر این ، مدل پیشنهادی را می توان در هر شبکه پیچشی به عنوان یک ساختار استخراج ویژگی موثر قرار داد.
کلمات کلیدی: یادگیری عمیق؛ طبقه بندی تصویر؛ تشخیص ترک پل
1. مقدمه
پل ها نقش بسزایی در زندگی روزمره دارند. بررسی منظم پل برای حفظ سلامت سازه و قابلیت اطمینان پل ها مهم است. ترک پل یکی از آسیب های اصلی پل ها است و تشخیص آن وظیفه مهمی برای نگهداری از پل است. روش های سنتی تشخیص پل متکی به بازرسی بصری انسان است ، بنابراین نمی توان کارایی و دقت تشخیص را تضمین کرد. در سالهای اخیر ، یادگیری ماشینی و بینایی رایانه ای در زمینه تشخیص ترک [1-5] استفاده شد و نتایج خوبی به دست آورد.(تشخیص ترک خوردگی خودکار پل)
شبکه عصبی پیچشی مدرن (CNN) اولین بار توسط LeCun و همکاران در سال 1989 ارائه شد.
[6] . به دلیل کارآیی در استخراج ویژگی ، در کارهای بینایی رایانه ای مانند طبقه بندی تصویر [7–10] ، تشخیص شی [11–13] و تشخیص عمل [14–16] به طور گسترده ای مورد استفاده قرار می گیرد.
با الهام از این دستاوردها ، مطالعات اخیر شبکه های عصبی کانولوشن را در زمینه تشخیص ترک اعمال کرده است. در سال 2004 ، Ouellette و همکاران [17] الگوریتمی مبتنی بر الگوریتم استاندارد ژنتیکی (GA) برای شناسایی خودکار ترک ها معرفی کرد که دارای دقت تشخیص ترک %1.4± 92.3 برای 100 تصویر بود. (تشخیص ترک خوردگی خودکار پل)
از آنجا که مجموعه داده بسیار کوچک بود ، اثربخشی این روش به طور کامل قابل اثبات نیست. در سال 2016 ، Zhang [18] و همکاران الگوریتمی برای طبقه بندی ترک های سنگ فرش پیشنهاد دادند.
با این حال ، از آنجا که الگوریتم معیارهای دقیق طبقه بندی برای نمونه های مثبت و منفی را نداشت ، دقت تشخیص فقط 86.96٪ بود.
در سال 2017 ، بر اساس یادگیری انتقال ، Gopalakrishnan و همکاران [19] طبقه بندی ترک بتنی را پیشنهاد دادند ، که در آن مدل شبکه گروهی هندسه بصری 16(VGG-16) بهترین عملکرد را داشت. در همان سال ، الگوریتمی برای تجزیه و تحلیل ترک ها در یک فریم ویدئویی واحد با استفاده از شبکه عصبی کانولوشن توسط Chen و همکاران توسعه یافت [20] و با طرح ادغام داده های Naïve Bayes برای جمع آوری اطلاعات ویدئویی همراه شد.
شبکه ای که توسط Cha و همکاران آموزش دیده شده است [21] ،می تواند با روش پنجره لغزنده، هر تصویر ترک خاص را با وضوح بزرگتر از 256 × 256 پیکسل اسکن کند.
Wang و همکاران [22] از CNN برای تشخیص ترک های سنگ فرش و از تجزیه و تحلیل مولفه اصلی (PCA) برای طبقه بندی ترک های سنگ فرش شناسایی شده استفاده کردند Pauly و همکاران [23] اثربخشی استفاده از شبکه های عمیق تر برای بهبود دقت تشخیص ترک سنگ فرش مبتنی بر بینایی رایانه ای را نشان دادند. با این حال ، این روش ها هنوز دارای مشکلاتی با دقت کم یا پیچیدگی مدل بالا هستند ، بنابراین از آنها زیاد استفاده نمی شود.(تشخیص ترک خوردگی خودکار پل)
در این مقاله ، ما یک مدل انتها به انتهای مبتنی بر شبکه عصبی کانولوشن را برای تشخیص ترکهای خودکار پل پیشنهاد کردیم.
مشارکت های اصلی ما به شرح زیر است:
- ما از یک CNN واحد انتها به انتهای آموزش دیده شده با تصاویر برای تشخیص ترک ها استفاده کردیم ، فقط از تصاویر و برچسب های تصویر به عنوان ورودی استفاده کردیم. مدل CNN ما به دقت 96.37٪ در تشخیص ترکها بدون آموزش قبلی و تنظیم دقیق سایر مجموعه های داده دست یافت.
- تا جاییکه می دانیم، اندازه گیری ادغام هرم فضایی آتروس (ASPP) را برای اولین بار در زمینه تشخیص ترک وارد کردیم و به نتایج آزمایشی خوبی دست یافتیم.
• ما در سه لایه کانولوشن آخر شبکه ، کانولوشن آتروس با میزان آتروس 2 را وارد کردیم و لایه ماکسپولینگ را جایگزین کردیم و بنابراین از از دست دادن اطلاعات لبه ترک ناشی از تجمع جلوگیری کرد.
ما اثربخشی جایگزینی لایه ماکسپولینگ با کانولوشن آتروس را از طریق آزمایش ثابت کردیم.
نتیجه گیری
در این مقاله ، ما یک مدل طبقه بندی تصویر را برای تشخیص ترک ها ، استفاده از مزیت کانولوشن آتروس ، اندازه گیری ASPP و کانولوشن قابل تفکیک عمقی و دستیابی به دقت 96.37٪ تشخیص ترک بدون آموزش قبلی ارائه داده ایم.
همزمان، این مدل پیشنهادی می تواند اطلاعات زمینه ای چند مقیاسی تصاویر را با نرخ نمونه برداری چندگانه ضبط کند ، از نظر محاسباتی کارآمد است و می تواند به سرعت تشخیص ترک در مجموعه داده ها را کامل کند. علاوه بر این ، مدل پیشنهادی می تواند در هر شبکه پیچشی به عنوان یک ساختار استخراج ویژگی کارآمد تعبیه شود.(تشخیص ترک خوردگی خودکار پل)
برای مشاهده مطالب بیشتر به سایت فرزدان مراجعه نماید.