Cracks in concrete

要約

コンクリートの画像の亀裂を見つけて適切にセグメント化することは、困難な作業です。
亀裂は薄くて粗く、空気が満たされると、コンピューター断層撮影によって得られた3D画像で非常に弱いコントラストが得られます。
暗い低次元構造の強化とセグメント化はすでに厳しいです。
不均一なコンクリートマトリックスと画像のサイズにより、複雑さがさらに向上します。
MLメソッドは、十分で適切に注釈付きのデータで訓練された場合、困難なセグメンテーションの問題を解決することが証明されています。
ただし、これまでのところ、注釈は言うまでもなく、亀裂の3D画像データはまったくありません。
インタラクティブな注釈はエラーが発生しやすいため、人間は車のある道路のない犬や道路から猫を簡単に伝えることができますが、2Dスライスで見られる薄くて暗い構造が次のスライスで続くかどうかを決定するのに苦労しています。
合成のシミュレートされた画像によるトレーニングネットワークはエレガントな方法ですが、それ自体の課題があります。
この貢献では、コンクリートの3D画像で亀裂をセグメント化するために、よく知られている3D U-NETまたはランダムフォレストのようにCNNを訓練するために半合成画像データを生成する方法について説明します。
実際の亀裂の厚さは、1つの亀裂内と同じサンプルの亀裂までの亀裂内で大きく異なります。
したがって、セグメンテーション方法は、スケールの変化に関して不変である必要があります。
まさにこの目的のために設計されたいわゆるRiesznetを紹介します。
最後に、ML亀裂セグメンテーション方法を他のコンクリートタイプに一般化する方法について説明します。

要約(オリジナル)

Finding and properly segmenting cracks in images of concrete is a challenging task. Cracks are thin and rough and being air filled do yield a very weak contrast in 3D images obtained by computed tomography. Enhancing and segmenting dark lower-dimensional structures is already demanding. The heterogeneous concrete matrix and the size of the images further increase the complexity. ML methods have proven to solve difficult segmentation problems when trained on enough and well annotated data. However, so far, there is not much 3D image data of cracks available at all, let alone annotated. Interactive annotation is error-prone as humans can easily tell cats from dogs or roads without from roads with cars but have a hard time deciding whether a thin and dark structure seen in a 2D slice continues in the next one. Training networks by synthetic, simulated images is an elegant way out, bears however its own challenges. In this contribution, we describe how to generate semi-synthetic image data to train CNN like the well known 3D U-Net or random forests for segmenting cracks in 3D images of concrete. The thickness of real cracks varies widely, both, within one crack as well as from crack to crack in the same sample. The segmentation method should therefore be invariant with respect to scale changes. We introduce the so-called RieszNet, designed for exactly this purpose. Finally, we discuss how to generalize the ML crack segmentation methods to other concrete types.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google