Une illustration de l'architecture DeepCrack proposée. Dans cette architecture, il n'y a pas de couches entièrement connectées, les couches de sortie latérales sont insérées après les couches convolutives, une supervision approfondie est appliquée à chaque couche de sortie latérale, puis toutes sont concaténées pour former une sortie fusionnée finale. De cette façon, la couche de sortie finale acquiert des caractéristiques à plusieurs échelles et à plusieurs niveaux à mesure que la taille du plan de l'entrée des couches de sortie latérales devient plus petite et que la taille du champ récepteur devient plus grande. La prédiction fusionnée est affinée par filtrage guidé avec la première couche de sortie latérale. Crédit :Liu et al.
Détecter et analyser les fissures dans les structures artificielles est une tâche importante qui peut aider à garantir que les bâtiments sont sûrs et bien entretenus. Comme l'embauche de travailleurs humains pour inspecter régulièrement les bâtiments peut être très coûteuse, les chercheurs ont essayé de développer des outils capables de détecter automatiquement les fissures.
Des chercheurs du laboratoire de vision par ordinateur et de télédétection (CVRS) de l'université de Wuhan, en Chine, ont développé un nouveau réseau de neurones convolutifs hiérarchiques (CNN) pour prédire la segmentation des fissures au niveau des pixels. Leur approche, appelé DeepCrack, est décrit dans un article récemment publié dans Neuroinformatique .
« Nous proposons un réseau de neurones à convolution hiérarchique (CNN) profond appelé DeepCrack pour prédire la segmentation des fissures au niveau des pixels dans une méthode de bout en bout, " les chercheurs ont écrit dans leur article. " Pendant la formation, le modèle minutieusement conçu apprend et agrège des caractéristiques multi-échelles et multi-niveaux des couches convolutives basses aux couches convolutives de haut niveau, ce qui est différent des approches standard consistant à n'utiliser que la dernière couche convolutive."
La détection des fissures dans les images naturelles nécessite généralement différents « niveaux » de traitement visuel. Par conséquent, la conception d'une méthode universelle capable de détecter les fissures dans une variété de scènes s'est jusqu'à présent avérée assez difficile.
Des études antérieures ont introduit de nombreuses méthodes de vision par ordinateur pour la détection de fissures, qui peuvent être regroupées en deux grandes catégories :les approches basées sur les caractéristiques locales et globales. Les méthodes basées sur les caractéristiques locales fonctionnent en exploitant les caractéristiques locales telles que l'intensité, pente, variance locale et anisotropie de texture locale, tandis que les méthodes basées sur les caractéristiques globales extraient les courbes de fissure dans une vue globale du bâtiment via une programmation dynamique, optimiser les fonctions cibles en fonction de critères spécifiques. Malgré les résultats prometteurs obtenus par certaines de ces méthodes, ils ne supportent pas toujours bien le bruit causé par les taches, taches, mauvais éclairage, flou et d'autres facteurs.
Des études récentes ont montré que les réseaux de neurones convolutifs (CNN) peuvent atteindre des performances de pointe dans une variété de tâches avancées de vision par ordinateur, y compris la reconnaissance d'images, détection d'objets et segmentation sémantique. Les CNN peuvent agréger plusieurs niveaux visuels, pourrait donc être particulièrement efficace pour la détection et la segmentation des fissures.
L'équipe de chercheurs de l'Université de Wuhan a proposé une nouvelle méthode de segmentation des fissures basée sur les CNN, qui peut apprendre efficacement les caractéristiques hiérarchiques des fissures dans plusieurs scènes et à différentes échelles. Pour affiner la prédiction de leurs CNN, les chercheurs ont utilisé des techniques de filtrage guidé (GF) et de champs aléatoires conditionnels (CRF).
DeepCrack, la nouvelle approche introduite par les chercheurs, se compose de réseaux étendus entièrement convolutifs (FCN) et de réseaux profondément supervisés (DSN). Le composant DSN de leur modèle fournit une supervision directe pour l'apprentissage des fonctionnalités à plusieurs niveaux, facilitant l'apprentissage des caractéristiques de chaque couche convolutive.
Dans leur étude, les chercheurs ont également introduit un ensemble de données de référence public avec des images de fissures annotées manuellement, qui peut être utilisé pour évaluer les systèmes de détection de fissures. En outre, ils ont établi des métriques complètes pour évaluer les systèmes de détection de fissures, tels que les tests de segmentation sémantique, une courbe de rappel de précision et une courbe de caractéristique de fonctionnement du récepteur (ROC).
Les chercheurs ont évalué DeepCrack et l'ont comparé à d'autres approches de segmentation des fissures, en utilisant l'ensemble de données et les métriques qu'ils ont conçues. Dans ces évaluations, leur méthode a fonctionné ainsi que d'autres techniques de pointe. Ils envisagent maintenant de développer davantage leur méthode, tout en ajoutant également plus d'images de régions de fausses fissures à leur ensemble de données de référence, pour le rendre plus complet.
© 2019 Réseau Science X
