Deep Learning-Based Fatigue Cracks Detection in Bridge Girders using Feature Pyramid Networks

要約

構造健全性モニタリングでは、継続的かつ自動で亀裂を検出することが困難な問題でした。
本研究は、橋梁の鋼箱桁のひび割れ情報を含む高解像度画像からひび割れを自動分割するフレームワークを提案するために行われた。
亀裂のマルチスケール特徴を考慮して,亀裂検出のための特徴ピラミッドネットワーク(FPN)の畳み込みニューラルネットワークアーキテクチャを提案した。
入力に関しては、120 枚の生画像が 2 つのアプローチ (画像のサイズの縮小と画像のサブ画像への分割) で処理されます。
次に、提案された FPN 構造を備えた亀裂検出用のモデルを開発します。
結果は、開発されたすべてのモデルが生の画像で亀裂を自動的に検出できることを示しています。
画像を縮小することで、精度を低下させることなく計算効率が向上します。
亀裂は分離可能な特性があるため、分割法を使用したモデルは、サイズ変更法を使用したモデルよりも正確な亀裂のセグメンテーションを提供します。
したがって、高解像度画像の場合、分割法と組み合わせた FPN 構造は、亀裂の分割と検出のための有望なソリューションとなります。

要約(オリジナル)

For structural health monitoring, continuous and automatic crack detection has been a challenging problem. This study is conducted to propose a framework of automatic crack segmentation from high-resolution images containing crack information about steel box girders of bridges. Considering the multi-scale feature of cracks, convolutional neural network architecture of Feature Pyramid Networks (FPN) for crack detection is proposed. As for input, 120 raw images are processed via two approaches (shrinking the size of images and splitting images into sub-images). Then, models with the proposed structure of FPN for crack detection are developed. The result shows all developed models can automatically detect the cracks at the raw images. By shrinking the images, the computation efficiency is improved without decreasing accuracy. Because of the separable characteristic of crack, models using the splitting method provide more accurate crack segmentations than models using the resizing method. Therefore, for high-resolution images, the FPN structure coupled with the splitting method is an promising solution for the crack segmentation and detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google