CoreDeep: Improving Crack Detection Algorithms Using Width Stochasticity

要約

画像内の亀裂を自動的に検出またはセグメント化すると、メンテナンスや運用のコストを削減できます。
背景から亀裂を分ける明確な境界がないため、困難な背景シナリオでの損傷解析のために亀裂を検出、測定、定量化することは困難な作業です。
開発されたアルゴリズムは、データに伴う固有の課題に対処する必要があります。
知覚的に注目される課題には、色、強度、深度、ぼかし、モーションブラー、向き、欠陥のさまざまな関心領域 (ROI)、スケール、照明、複雑で困難な背景などが含まれます。これらの変動は、(亀裂間の亀裂間) 全体で発生します。
クラス）および画像内（クラス内の変動性を解明）。
全体的に、バックグラウンド (クラス間) とフォアグラウンド (クラス内) に大きなばらつきがあります。
この研究では、困難な背景シナリオにおけるこれらの変動の影響を軽減することを試みました。
我々は、これらの変動の影響を軽減するために確率的幅 (SW) アプローチを提案しました。
私たちが提案したアプローチは、検出可能性を向上させ、偽陽性と偽陰性を大幅に削減します。
私たちは、アルゴリズムのパフォーマンスを平均 IoU、偽陽性と偽陰性の観点から客観的に、また知覚的な品質の観点から主観的に測定しました。

要約(オリジナル)

Automatically detecting or segmenting cracks in images can help in reducing the cost of maintenance or operations. Detecting, measuring and quantifying cracks for distress analysis in challenging background scenarios is a difficult task as there is no clear boundary that separates cracks from the background. Developed algorithms should handle the inherent challenges associated with data. Some of the perceptually noted challenges are color, intensity, depth, blur, motion-blur, orientation, different region of interest (ROI) for the defect, scale, illumination, complex and challenging background, etc. These variations occur across (crack inter class) and within images (crack intra-class variabilities). Overall, there is significant background (inter) and foreground (intra-class) variability. In this work, we have attempted to reduce the effect of these variations in challenging background scenarios. We have proposed a stochastic width (SW) approach to reduce the effect of these variations. Our proposed approach improves detectability and significantly reduces false positives and negatives. We have measured the performance of our algorithm objectively in terms of mean IoU, false positives and negatives and subjectively in terms of perceptual quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google