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