A Skeleton-based Approach For Rock Crack Detection Towards A Climbing Robot Application

要約

従来の車輪付きロボットは、科学的には興味深いが危険な洞窟環境を横断することができません。
ReachBot などの多肢クライミング ロボット設計は、適切な把握位置が与えられれば、不規則な表面の特徴を把握し、障害物を乗り越えるためにクライミング動作を実行できます。
把握場所の特定をサポートするために、岩の亀裂とエッジを検出する方法である SKeleton Intersection Loss (SKIL) を紹介します。
SKIL は、ラベルのスケルトンを活用した薄いオブジェクトのセグメンテーション用に設計された損失です。
岩肌画像のデータセットが収集され、手動で注釈が付けられ、生成されたデータで強化されました。
新しいメトリクスのグループ LineAcc は、スコアに対するオブジェクトの幅の影響が最小限に抑えられるように、薄いオブジェクトのセグメンテーションのために提案されています。
さらに、このメトリクスは変換の影響を受けにくいため、薄いオブジェクトの Dice などの古典的なメトリクスを計算すると、スコアが 0 になることがよくあります。
当社の微調整されたモデルは、血管セグメンテーションなどの同様の薄いオブジェクトのセグメンテーション タスクで以前の方法を上回り、ロボット システムへの統合が期待できます。

要約(オリジナル)

Conventional wheeled robots are unable to traverse scientifically interesting, but dangerous, cave environments. Multi-limbed climbing robot designs, such as ReachBot, are able to grasp irregular surface features and execute climbing motions to overcome obstacles, given suitable grasp locations. To support grasp site identification, we present a method for detecting rock cracks and edges, the SKeleton Intersection Loss (SKIL). SKIL is a loss designed for thin object segmentation that leverages the skeleton of the label. A dataset of rock face images was collected, manually annotated, and augmented with generated data. A new group of metrics, LineAcc, has been proposed for thin object segmentation such that the impact of the object width on the score is minimized. In addition, the metric is less sensitive to translation which can often lead to a score of zero when computing classical metrics such as Dice on thin objects. Our fine-tuned models outperform previous methods on similar thin object segmentation tasks such as blood vessel segmentation and show promise for integration onto a robotic system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google