Deep Learning for Micro-Scale Crack Detection on Imbalanced Datasets Using Key Point Localization

要約

内部亀裂の検出は、構造健全性モニタリングの焦点となっています。
構造データセットにおける亀裂の検出に焦点を当てることにより、深層学習 (DL) 手法が、従来の目視検査の解像度を超えているマイクロスケールの亀裂と相互作用する地震波場を効果的に分析できることが実証されました。
この研究では、亀裂の境界領域を定義する 4 つのキーポイントの座標を予測することによって亀裂の位置を特定する、DL ベースのキーポイント検出技術の新しいアプリケーションを検討します。
この研究は、非視覚的アプリケーションに新たな研究の方向性を開くだけでなく、多数派クラス（非クラック領域）の予測に偏りがちなため、これまでの DL モデルにとって課題となっていた不均衡なデータの影響を効果的に軽減します。
インセプション ブロックなどの一般的な DL テクニックが使用され、調査されます。
このモデルは、マイクロスケールの亀裂検出に適用すると全体的な損失が減少することを示しており、これは実際の亀裂の位置と予測される亀裂の位置の間の平均偏差の低下に反映されており、すべてのマイクロ亀裂の平均交差オーバーユニオン (IoU) は 0.511 (より大きい) です。
0.00 マイクロメートル以上）、より大きなマイクロクラック（4 マイクロメートル以上）の場合は 0.631。

要約(オリジナル)

Internal crack detection has been a subject of focus in structural health monitoring. By focusing on crack detection in structural datasets, it is demonstrated that deep learning (DL) methods can effectively analyze seismic wave fields interacting with micro-scale cracks, which are beyond the resolution of conventional visual inspection. This work explores a novel application of DL-based key point detection technique, where cracks are localized by predicting the coordinates of four key points that define a bounding region of the crack. The study not only opens new research directions for non-visual applications but also effectively mitigates the impact of imbalanced data which poses a challenge for previous DL models, as it can be biased toward predicting the majority class (non-crack regions). Popular DL techniques, such as the Inception blocks, are used and investigated. The model shows an overall reduction in loss when applied to micro-scale crack detection and is reflected in the lower average deviation between the location of actual and predicted cracks, with an average Intersection over Union (IoU) being 0.511 for all micro cracks (greater than 0.00 micrometers) and 0.631 for larger micro cracks (greater than 4 micrometers).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google