Automated crack propagation measurement on asphalt concrete specimens using an optical flow-based deep neural network

要約

この記事では、ディープ ニューラル ネットワーク、つまり CrackPropNet を提案して、アスファルト コンクリート (AC) 試験片の亀裂伝播を測定します。
ひび割れ試験中に収集された画像を使用して、ひび割れ伝播測定のための正確、柔軟、効率的、かつ低コストのソリューションを提供します。
CrackPropNet は、従来の深層学習ネットワークとは大きく異なります。参照画像と変形画像のさまざまな場所で特徴を一致させることによって、変位場の不連続性を特定することを学習する必要があるためです。
AC の多様なクラッキング動作を表すイメージ ライブラリは、教師ありトレーニング用に開発されました。
CrackPropNet は、26 フレーム/秒の実行速度で、テスト データセットで 0.755 の最適なデータセット スケール F-1 と 0.781 の最適な画像スケール F-1 を達成しました。
実験では、低レベルから中レベルのガウス ノイズが CrackPropNet の測定精度に及ぼす影響は限定的であることが実証されました。
さらに、このモデルは、根本的に異なる画像に対して有望な一般化を示しました。
亀裂測定技術として、CrackPropNet は、AC 亀裂試験で複雑な亀裂パターンを正確かつ効率的に検出できます。
クラッキング現象の特徴付け、AC クラッキングの可能性の評価、テスト プロトコルの検証、および理論モデルの検証に適用できます。

要約(オリジナル)

This article proposes a deep neural network, namely CrackPropNet, to measure crack propagation on asphalt concrete (AC) specimens. It offers an accurate, flexible, efficient, and low-cost solution for crack propagation measurement using images collected during cracking tests. CrackPropNet significantly differs from traditional deep learning networks, as it involves learning to locate displacement field discontinuities by matching features at various locations in the reference and deformed images. An image library representing the diversified cracking behavior of AC was developed for supervised training. CrackPropNet achieved an optimal dataset scale F-1 of 0.755 and optimal image scale F-1 of 0.781 on the testing dataset at a running speed of 26 frame-per-second. Experiments demonstrated that low to medium-level Gaussian noises had a limited impact on the measurement accuracy of CrackPropNet. Moreover, the model showed promising generalization on fundamentally different images. As a crack measurement technique, the CrackPropNet can detect complex crack patterns accurately and efficiently in AC cracking tests. It can be applied to characterize the cracking phenomenon, evaluate AC cracking potential, validate test protocols, and verify theoretical models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google