تشخیص ترک های بتنی بر اساس FCN با پیچیدگی اتساع یافته

تشخیص ترک های بتنی بر اساس FCN با پیچیدگی اتساع یافته

چکیده: در مهندسی عمران، پایداری بتن از نظر ایمنی جان و مال مردم از اهمیت بالایی برخوردار است، بنابراین تشخیص آسیب بتن به طور موثر ضروری است. (تشخیص ترک های بتنی توسط FCN)

در این مقاله، ما تشخیص ترک در سطح بتن را به عنوان یک کار تقسیم بندی معنایی که پس زمینه را از ترک در سطح پیکسل متمایز می کند، بررسی می کنیم.

ما با الهام از شبکه های کاملا کانولوشن (FCN)، یک شبکه کاملا پیچشی مبتنی بر کانولوشن متسع شده را برای تشخیص ترک بتن پیشنهاد می کنیم، که از رمزگذار و رمزگشا تشکیل شده است.

به طور خاص، ما ابتدا از شبکه باقیمانده برای استخراج نقشه های مشخصه تصویر ورودی استفاده کردیم، کانولوشن های متسع شده را با میزان اتساع های متفاوت طراحی کردیم تا نقشه های ویژگی زمینه های پذیرنده مختلف را استخراج کنیم و ویژگی های استخراج شده را از چندین شاخه ترکیب کنیم.

سپس، از حذف کانولوشن انباشته شده برای انجام نمونه برداری  اپراتور در نقشه های ویژگی ترکیب شده بهره برداری کردیم. سرانجام، ما از تابع SoftMax برای طبقه بندی نقشه های ویژگی  در سطح پیکسل استفاده کردیم.

به منظور تأیید اعتبار مدل، شاخص های ارزیابی معمول تقسیم بندی معنایی را معرفی کردیم: دقت پیکسل (PA)، میانگین دقت پیکسل (MPA)، متوسط اجتماع اشتراک (MIoU)، و اجتماع اشتراک فرکانس وزن دار(FWIoU) .(تشخیص ترک های بتنی توسط FCN)

نتایج تجربی نشان می دهد که مدل پیشنهادی با ورود پیچیدگی های اتساع یافته با نرخ گشادی متنوع و یک استراتژی ترکیب چند شاخه، سریعتر همگرا می شود و عملکرد تعمیم بهتری در مجموعه آزمون دارد.

مدل ما دارای PA 96.84٪ ، MPA 92.55٪ ، MIoU 86.05٪ و FWIoU 94.22٪ در مجموعه آزمایش است که از سایر مدل ها برتر است.

کلمات کلیدی: FCN؛ تشخیص ترک ؛ شبکه باقیمانده؛ کانولوشن اتساع یافته؛ تقسیم بندی معنایی

مقدمه

بتن به عنوان بخشی از سازه ها مانند پل ها و سدها، نقش مهمی را ایفا می کند. پایداری بتن، ایمنی جان و مال مردم را تعیین می کند. متأسفانه، به دلیل عوامل مختلفی از جمله آب و هوا و بار، بتن به سرعت خورده می شود، در نتیجه باعث ایجاد ترک، پوسته شدن و آسیب های دیگر می شود که ایمنی سازه ها را به خطر می اندازد.

بنابراین، لازم است سازه های ریخته شده بتونی به طور موثر بازرسی و حفظ شوند.

در استراتژی نگهداری اولیه، بررسی میدانی اصلی ترین راه بازرسی است که باعث صرف نیروی انسانی و منابع مادی زیادی می شود. علاوه بر این، این کار خود بسیار خطرناک است، کمی بی احتیاطی باعث تلفات می شود.

تشخیص خودکار آسیب بتن می تواند به صورت هوشمند درجه خسارت سازه ها را گزارش کند، هزینه های نیروی انسانی و منابع مادی را تا حد زیادی کاهش دهد و شواهد علمی بیشتری را برای نگهداری سازه ها ارائه دهد.

بنابراین، تشخیص خودکار آسیب بتن به تدریج به یک کانون تحقیقاتی تبدیل شده است.(تشخیص ترک های بتنی توسط FCN)

با توسعه بینایی رایانه ای، الگوریتم های شناسایی آسیب بیشتر و بیشتر بر اساس بینایی رایانه ایجاد شده اند [1-3]. شبکه عصبی پیچشی عمیق (DCNN) یکی از محبوب ترین فناوری ها در حال حاضر است.

در مقایسه با الگوریتم تشخیص سنتی، الگوریتم تشخیص مبتنی بر DCNN از مزایای بیشتری برخوردار است و هر روز محققان بیشتری به تحقیق در مورد الگوریتم تشخیص آسیب بتن بر اساس DCNN اختصاص می دهند [4-6].

در زمینه تشخیص ترک بتن، بسیاری از محققان قطعات تصویری را توسط شبکه عصبی کانولوشن(CNN) طبقه بندی می کنند تا محل تقریبی ترک ها را بدست آورند.

برخی از محققان از مدل CNN برای برگشت جعبه های مرزی ترک استفاده می کنند. علاوه بر این، برخی از محققان تشخیص ترک بتن را یک کار تقسیم بندی معنایی می دانند، به عنوان مثال، طبقه بندی نقاط پیکسل برای بدست آوردن مکان های ترک.

برای حل چالش ها در زمینه های چند رشته ای، مانند رانندگی خودکار [8] و تقسیم بندی تصویر با سنجش از دور [9]، شبکه های کاملاً کانولوشنال برای تقسیم بندی معنایی (FCN) [7] استفاده شده است. (تشخیص ترک های بتنی توسط FCN)

در این مقاله، یک شبکه کاملا کانولوشن مبتنی بر کانولوشن اتساع یافته برای تشخیص ترک بتن پیشنهاد شده است که شامل یک مرحله کدگذاری و یک مرحله رمزگشایی است.

در مرحله رمزگذاری، ابتدا از یک شبکه باقیمانده به نام Resnet-18 [10] برای استخراج نقشه ویژگی تصویر ورودی استفاده می شود و سپس از پیچیدگی های متسع شده [11] با نرخ اتساع متفاوت برای استخراج نقشه های ویژگی با زمینه های پذیرنده مختلف استفاده می شود.

پس از آن، نقشه های ویژگی برای دستیابی به نقشه های ویژگی اطلاعات معنایی بیشتر، بیشتر ترکیب می شوند.

در مرحله رمزگشایی، نقشه های ویژگی ترکیب شده از رمزگذار با استفاده از حذف کانولوشن ها نمونه افزایی می شوند تا اندازه تصویر برابر با تصویر ورودی باشد. پس از آن، پیکسل های نقشه های ویژگی نمونه افزایی توسط تابع SoftMax طبقه بندی می شوند. برای ارزیابی عملکرد الگوریتم، آن را روی مجموعه داده عمومی آزمایش کردیم [12].

متأسفانه، این مجموعه اطلاعاتی از نظر معنایی در سطح پیکسل ندارد، بنابراین ما 600 تصویر را از مجموعه داده ها برای حاشیه نویسی دستی انتخاب کردیم و مجموعه داده های دارای برچسب را به مجموعه آموزش، مجموعه اعتبار سنجی و مجموعه تست تقسیم کردیم، به ترتیب با حجم داده 400 ، 100 و 100 .

ما ابتدا مدل پیشنهادی را روی مجموعه آموزش آموزش می دهیم و عملکرد مدل پیشنهادی را پس از آموزش روی مجموعه آزمون ارزیابی می کنیم.

به منظور ارزیابی عملکرد الگوریتم به طور موثر، شاخص های رایج ارزیابی را برای تقسیم بندی معنایی معرفی می کنیم [13]: دقت پیکسل (PA)، میانگین دقت پیکسل (MPA)،  متوسط اجتماع اشتراک(MIoU) و اجتماع اشتراک فرکانس وزن دار FWIoU).).(تشخیص ترک های بتنی توسط FCN)

نتیجه گیری

تشخیص ترکهای بتنی دارای ارزش کاربردی بسیار مهمی است که می تواند منابع انسانی و مادی را تا حد زیادی کاهش دهد. به منظور بدست آوردن دقیق محل و شکل ترکهای بتنی، ما از تشخیص ترک به عنوان یک کار تقسیم بندی معنایی مدل سازی کردیم.

با توجه به از دست دادن جزئیات ناشی از نمونه کاهی در الگوریتم سنتی تقسیم بندی ترک بتن بر اساس FCN، کانولوشن های اتساع یافته را با نرخ اتساع متفاوت و یک استراتژی ادغام چند شاخه ای طراحی کردیم.

از آنجا که Resnet-18 پارامترهای کمتری دارد و به منابع محاسباتی کمتری نیاز دارد، ما از Resnet-18 به عنوان شبکه اصلی استفاده کردیم.

پس از حذف آخرین نمونه کاهی از Resnet-18، ما کانولوشن اتساع یافته را با نرخ اتساع متفاوت وارد کردیم و سپس ویژگی های شاخه های مختلف را ادغام کردیم.

آزمایشات نشان داد که طراحی کانولوشن متسع با نرخ اتساع مختلف و استراتژی ادغام ویژگی چند شاخه می تواند تا حدودی مشکل از دست دادن جزئیات را کاهش دهد. از نتایج تجربی FCN-Resnet-18 و FCN-Resnet-50 اینطور بر می آید که عملکرد تقسیم بندی با افزایش لایه های شبکه بهبود نیافته است.

از آنجا که مجموعه داده نسبتاً ساده است و فاقد نمونه برچسب معنایی با زمینه های پیچیده است، مدل پیشنهادی هنگام تقابل با تصاویر با زمینه های پیچیده دچار تقسیم بندی اشتباه می شود.

علاوه بر این، مدل ما هنوز فضای زیادی برای پیشرفت برای از دست دادن جزئیات دارد. کارهای آینده ما ساخت یک مجموعه داده پیچیده با برچسب های معنایی پیکسلی را کشف خواهد کرد.(تشخیص ترک های بتنی توسط FCN)

برای مشاهده مطالب بیشتر به سایت فرزدان مراجعه نماید.