Structural damage detection via hierarchical damage information with volumetric assessment

要約

構造健全性モニタリング (SHM) は、インフラストラクチャの安全性と寿命を確保するために不可欠ですが、複雑な画像環境、ノイズの多いラベル、手動による損傷評価への依存がその有効性を妨げることがよくあります。
この研究では、これらの課題に対処するために設計されたフレームワークである、Guided Detection Network (Guided-DetNet) を紹介します。
Guided-DetNet は、生成注意モジュール (GAM)、階層消去アルゴリズム (HEA)、および体積輪郭視覚評価 (VCVA) によって特徴付けられます。
GAM は、水平方向および垂直方向にまたがるパッチ マージと、前景と背景をまたぐフィーチャ フュージョンを利用して、複雑な画像環境を軽減するためのさまざまなフィーチャを生成します。
HEA は、クラス間の階層関係を使用してノイズの多いラベル付けに対処し、可能性の低いクラス インスタンスを排除することで、画像に与えられたインスタンスを洗練します。
VCVA は、ディラック デルタ分布を活用した体積表現と定量化によって、検出された損傷の重大度を評価します。
包括的な定量的研究と 2 つの堅牢性テストが PEER Hub データセットを使用して実施され、フィールド実験を含むドローン ベースのアプリケーションが Guided-DetNet の有望なパフォーマンスを実証するために実施されました。
トリプル分類タスクでは、このフレームワークは 96% の精度を達成し、最先端の分類器を最大 3% 上回りました。
デュアル検出タスクでは、リアルタイム アプリケーションに適した 57.04fps のフレーム レートを維持しながら、94% の精度と 79% の平均精度 (mAP) で競合検出器を上回りました。
さらに、堅牢性テストでは、悪条件下でも回復力があることが実証され、精度スコアは 79% ～ 91% の範囲でした。
Guided-DetNet は、SHM の堅牢かつ効率的なフレームワークとして確立されており、自動化と精度の進歩を提供し、ドローンベースのインフラ検査に広く適用される可能性があります。

要約(オリジナル)

Structural health monitoring (SHM) is essential for ensuring the safety and longevity of infrastructure, but complex image environments, noisy labels, and reliance on manual damage assessments often hinder its effectiveness. This study introduces the Guided Detection Network (Guided-DetNet), a framework designed to address these challenges. Guided-DetNet is characterized by a Generative Attention Module (GAM), Hierarchical Elimination Algorithm (HEA), and Volumetric Contour Visual Assessment (VCVA). GAM leverages cross-horizontal and cross-vertical patch merging and cross-foreground-background feature fusion to generate varied features to mitigate complex image environments. HEA addresses noisy labeling using hierarchical relationships among classes to refine instances given an image by eliminating unlikely class instances. VCVA assesses the severity of detected damages via volumetric representation and quantification leveraging the Dirac delta distribution. A comprehensive quantitative study and two robustness tests were conducted using the PEER Hub dataset, and a drone-based application, which involved a field experiment, was conducted to substantiate Guided-DetNet’s promising performances. In triple classification tasks, the framework achieved 96% accuracy, surpassing state-of-the-art classifiers by up to 3%. In dual detection tasks, it outperformed competitive detectors with a precision of 94% and a mean average precision (mAP) of 79% while maintaining a frame rate of 57.04fps, suitable for real-time applications. Additionally, robustness tests demonstrated resilience under adverse conditions, with precision scores ranging from 79% to 91%. Guided-DetNet is established as a robust and efficient framework for SHM, offering advancements in automation and precision, with the potential for widespread application in drone-based infrastructure inspections.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google