Методы обработки изображений и алгоритм глубокого обучения для обнаружения и классификации трещин сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

Сочинение на тему Методы обработки изображений и алгоритм глубокого обучения для обнаружения и классификации трещин

Одним из начальных признаков разрушения бетонной поверхности являются трещины. В стенах здания могут образовываться трещины по многим причинам, таким как сезонные изменения и плохое качество материалов. В этом исследовании обе технологии обработки изображений, а также алгоритм глубокого обучения были объединены для обнаружения и классификации трещин. Алгоритм глубокого обучения был принят в предложенной методологии из-за точных результатов и меньшего времени, затрачиваемого по сравнению с другими алгоритмами, такими как машина опорных векторов и алгоритм k ближайших соседей. Сложность вычислений также меньше в предложенной методологии. Два из методов предварительной обработки, такие как фильтрация и обнаружение контуров, были сравнены, и лучшие методы с точки зрения отношения пикового сигнала к шуму и точности были реализованы в предложенной методологии. Предложенная методология была выбрана после сравнения методов фильтрации и обнаружения границ, и эти эффективные методы были объединены с алгоритмом глубокого обучения из-за его точности.

Введение

Процесс обнаружения трещин в стенах здания, а также на бетонных поверхностях известен как обнаружение трещин. Разрушающий контроль и неразрушающий контроль – это два способа обнаружения трещин. После того, как трещины были обнаружены, размеры трещин должны быть измерены. Инспекция человека имеет много недостатков, таких как трудоемкость, и она будет медленнее, чем методы автоматического обнаружения трещин. Точность является основной причиной принятия методов обработки изображений и алгоритма глубокого обучения при обнаружении трещин. Трещины в стенах зданий или бетонных поверхностях были проанализированы как важный контрольный фактор оценки безопасности. Таким образом, обнаружение трещин на бетонной поверхности играет очень важную роль в обслуживании бетонных конструкций. Используя технологию автоматического обнаружения трещин, мы сможем преодолеть субъективность традиционных ручных методов.

Обнаружение трещин связано с некоторыми шагами. Они проходят предварительную обработку, обнаружение и классификацию. В литературе говорится, что для предварительной обработки использовались методы сглаживания и фильтрации, а этап обнаружения осуществлялся многими методами, такими как метод Оцу, статистический подход, пороговый метод и т. Д. В нашей предложенной методологии классификация была проведена с использованием алгоритма глубокого обучения, называемого алгоритм сверточного глубокого обучения из-за точных результатов.

Получение изображения:

Получение изображений является ключевым методом визуального контроля. Для захвата факсимильного сообщения с высоким уровнем намерения используются различные типы методов. Изображения с высоким разрешением могут быть получены с использованием сканирования с высоким разрешением. Камера высокого разрешения с большой пространственной точностью и цветопередачей могла бы быть предпочтительной для этого типа получения изображения, где захват образца должен быть сделан при измененных разрешениях и их согласованном изображении в оттенках серого.

Препроцессирование:

Это основной шаг любого метода обработки изображений, на этом этапе мы стремимся создать входное изображение, совместимое с процессом. Существует бесчисленное количество отвлекающих факторов, которые влияют на входное изображение, таких как изменения освещенности, шум, фоны, изменения размеров изображения и т. Д. Таким образом, первая фаза обработки при обнаружении внешних неисправностей – это удаление шума, улучшение входного изображения, которое завершается на этапе предварительной обработки. Кроме того, в процессе распознавания внешних дефектов используется изображение в оттенках серого вместо цветного изображения, поэтому для этого процесса необходимо преобразовать цвет в оттенки серого, что выполняется на этапе предварительной обработки. Изображения систематизированы для дальнейшей обработки на этапе предварительной обработки

Сегментация изображения:

Процедура разделения изображения на основные области или объекты называется сегментацией изображения. Входными данными сегментации являются изображения, но в отличие от других методов обработки изображений, выходными данными сегментации являются атрибуты, то есть естественное качество, извлеченное из этих изображений. Также процесс сегментации должен быть остановлен, как только обнаружены объекты или области интереса. Для распознавания внешних ошибок используются различные типы методов сегментации, такие как определение порога, сопоставление с шаблоном, сопоставление текстуры с обнаружением границ и т. Д.

Извлечение и классификация функций:

Извлечение функций включает в себя сокращение количества ресурсов, необходимых для описания большого набора информации, его можно перенести в сокращенный набор функций. Алгоритмы классификации направлены на поиск сходства в шаблонах эмпирической информации. Процесс классификации основан на извлеченных признаках, он классифицирует признаки и дает результат. Наиболее часто используемыми классификаторами являются нейросетевой классификатор, SVM, байесовский и т. Д.

Алгоритмы глубокого обучения были исследованы для решения многих сложных проблем в обработке и классификации изображений. В нашей предложенной методологии были обнаружены трещины, и классификация была выполнена с использованием методов обработки изображений, таких как фильтрация и обнаружение острых краев. Эти результаты были интегрированы с алгоритмом глубокого обучения, известным как сверточный алгоритм глубокого обучения. Также было проведено сравнение двух методов фильтрации: это средний фильтр и средний фильтр. Методы обнаружения краев, такие как обнаружение острых краев и распознавание краев, также сравнивались с точки зрения точности и времени.

Чтобы обеспечить безопасность и долговечность бетонной конструкции, оценку трещин необходимо проводить на регулярной основе. Многие исследователи изучали метод автоматического обнаружения трещин в бетоне. Некоторые исследователи, такие как Abdel-Qader et al. (2003) получили данные от структур с помощью CCTV, лазерного сканера и т. Д. Исследователи предложили несколько методов, некоторые из них, Brilakis et al. (2011) предложили обработку изображений с использованием методов обнаружения краев. Deason, J. P et al. (1998) предложили методы сопоставления гистограмм, фильтрации изображений и обнаружения изменений. Другой метод, названный автоматическим методом выделения пороговых долей, – пересмотренная версия метода Оцу для обнаружения мелких и крупных дефектов была представлена ​​Goedert et al. (2005). Синха и соавт. (2006) проанализировали классификацию через нейро-нечеткую сеть, и Khanfar et al. (2003) предложили конкретные дефекты структуры с помощью методов нечеткой логики. В дополнение к их методу были использованы нейронная сеть и генетический алгоритм. Во многих работах методы контроля широко варьируются от сбора данных до классификации, и это показывает, что многие алгоритмы могут быть использованы для обнаружения поверхностных дефектов.

Исследователи обнаружили, что трудно применить алгоритм проверки к конструкциям, которые подвергаются воздействию различных погодных условий. Если на алгоритм проверки влияют внешние условия, системный инженер должен участвовать в проверке конструкций, поскольку настройка параметров требует знаний эксперта.

АЛГОРИТМЫ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ КЛАССИФИКАЦИИ

Существует много алгоритмов глубокого обучения, которые можно использовать для классификации. Некоторые из алгоритмов глубокого обучения – обратное распространение, алгоритм глубокой нейронной сети с нечеткой логикой, алгоритм обучения нечеткой нейронной сети и алгоритм сверточной нейронной сети.

Алгоритмы машинного обучения были разделены на две части: обучение под наблюдением и обучение без учителя. Алгоритмы обучаемого обучения подразделяются на классификацию и регрессию, а неконтролируемые – на алгоритмы кластеризации. Алгоритмы классификации были разделены на нейронные сети алгоритм, алгоритм ближайшего соседа, поддержка Vector Machine алгоритм и др.

Алгоритм обратного распространения

Основная цель метода обратного распространения – адаптация синаптических весов для минимизации функции ошибок. Подход, наиболее часто используемый для минимизации функции ошибок, основан на методе градиента. Лео и соавт. (2017) рекомендовал, чтобы тонкая настройка была стратегией, которая обычно встречается в глубоком обучении. Он может быть использован для значительного улучшения производительности сложенных авто-кодировщиков. Поскольку алгоритм обратного распространения, основанный на методе градиента спуска, может быть расширен для применения к произвольному количеству слоев, алгоритм обратного распространения может быть использован в составных автокодерах произвольной глубины. В их работе были приняты веса соединений, чтобы получить минимальную разницу между выходом сети и желаемым выходом. Алгоритм очень прост, и выходные данные нейронной сети сравниваются с требуемыми результатами. Связь между слоями будет изменена, и процесс повторяется до тех пор, пока ошибка не станет достаточно маленькой, если результаты не будут удовлетворительными.

Глубокая нейронная сеть с нечеткой логикой

Leoet al. (2017) предложили метод управления нечеткой логикой, который может быть полезен для представления человеческой информации в очень специфической области применения и для обоснования там информации для создания полезных выводов или действий. Система символической логики состоит из 4 частей. Fuzzifier преобразует знания в нечеткие знания или функции членства (MFs). База нечетких правил содержит отношения между входом и выходом. Метод нечеткой фильтрации объединяет MF с правилами управления для получения нечеткого выхода, и поэтому деффузификатор преобразует нечеткие числа обратно в четкую ценность. Существуют две причины, по которым системы символической логики являются предпочтительными: нечеткие системы подходят для неуверенных или приблизительных рассуждений и что они допускают более высокий когнитивный процесс с вычисляемыми значениями под неполными или неуверенными данными. Используя нечеткую систему для адаптивного изменения параметров обучения нейронной сети в соответствии с ошибкой MSE, можно сократить вероятность превышения во всем методе обучения и облегчить выход сети из минимума области. Существует четыре параметра, которые используются для создания принципов системы управления символической логикой; относительная ошибка (RE), поправка в относительной ошибке (CRE), поправка знака в ошибке (SC) и общая сумма поправки знака в ошибке (CSC).

Обучение по нечеткой глубокой нейронной сети

<Р> л. Чжан и соавт. (2016) дал, что глубокие многослойные нейронные сети имеют несколько уровней безразмерности, что позволяет им кратко представлять чрезвычайно нелинейные и чрезвычайно переменные функции. Секция коучинга глубокой нейронной сети содержит два основных этапа форматирования данных параметров и точной стандартизации. Шаг форматирования данных жизненно важен для глубокого обучения. Более сильная и надежная стратегия форматирования данных может помочь нейронной сети более эффективно сходиться к хорошему локальному минимуму. Этап точной стандартизации позволяет точно настраивать параметры в нейронной сети под наблюдением, чтобы повысить способность различать конечную функцию.

В предложенной нами методике сверточный алгоритм был использован для обнаружения и классификации трещин.

<Р> л. Чжан и соавт. (2016) доказали, что обнаружение трещин является важным приложением нейронных сетей. Шаги для обнаружения и классификации трещин были предложены ими были

а) Подготовка данных

Подготовка данных должна быть сделана в первую очередь для процесса обнаружения трещин.

б) Разработка и обучение сверточной нейронной сети

Алгоритм глубокого обучения может быть разработан, чтобы иметь много слоев. Второй шаг, который должен иметь место, – это проектирование и обучение сверточной нейронной сети.

в) Оценить производительность сверточной нейронной сети

После этого необходимо оценить производительность сверточной нейронной сети. Сверточные нейронные сети можно сравнить с машиной опорных векторов и другими методами, такими как алгоритм K ближайших соседей. Сверточная нейронная сеть требует меньшего количества обучения, и у нее есть способность обнаруживать сложные отношения между зависимыми и независимыми переменными.

МОТИВАЦИЯ

Мотивация к поиску трещин в качестве области исследований заключалась в том, что в текущем сценарии у нас не было соответствующей политики технического обслуживания для безопасности зданий и бетонных поверхностей и, как следствие, качество здания ухудшается, что, в свою очередь, вызывает угроза безопасности людей. В целях повышения безопасности и защиты людей в качестве области исследований была выбрана возможность обнаружения трещин на бетонных поверхностях.

ПОСТАНОВКА ЗАДАЧИ

Обнаружение трещин в стенах здания инфраструктуры с использованием сверточного алгоритма глубокого обучения.

ЦЕЛИ ИССЛЕДОВАНИЯ

  • а) Обнаружение трещин в стенах здания с использованием алгоритма глубокого обучения.
  • б) Для определения размеров трещины.
  • в) Сравнить сверточный алгоритм с другими алгоритмами и определить, какой алгоритм дает точные результаты.

    ГИПОТЕЗА

    Первая гипотеза этого исследования – провести сравнение двух эффективных методов фильтрации и двух лучших методов обнаружения краев. Это средний фильтр и средний фильтр для фильтрации, а Канни и Собел для обнаружения краев. Другими словами, методы, которые могли бы представить четкую схему трещины с меньшим шумом, будут использоваться на более поздних этапах обнаружения трещин.

    Вторая гипотеза заключается в применении сверточного алгоритма глубокого обучения для обнаружения трещин.

    Третья гипотеза состоит в том, чтобы сравнить результаты алгоритмов сверточного глубокого обучения с другими алгоритмами, такими как машина опорных векторов и алгоритм ближайшего соседа, чтобы выяснить точность.

    ОГРАНИЧЕНИЯ ИССЛЕДОВАНИЯ


       

    • Этот метод не позволяет идентифицировать некоторые независимые маленькие трещины.
       

    • Теневые шумы и влияние объектов не рассматриваются в этом исследовании.
       

    • Исследование …

  • Поделиться сочинением
    Ещё сочинения
    Нет времени делать работу? Закажите!

    Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.