Segmenting Low-Contrast X-ray Computed Tomography Images of Concrete: An Unsupervised Approach
Dit artikel presenteert een ongesuperviseerde zelfannotatie-aanpak die superpixel-algoritmen combineert met op CNN gebaseerde receptieve velden om laag-contrast aggregaten en mortel in beton röntgen-CT-beelden effectief te segmenteren, waarbij het traditionele drempelwaarde-methoden overtreft zonder dat er gelabelde trainingsgegevens vereist zijn.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Beton is het op één na meest gebruikte materiaal op aarde, overtroffen alleen door water. Het vormt het skelet van onze moderne wereld, van de fundamenten van wolkenkrabbers tot de bruggen die onze rivieren overspannen. Toch blijft het materiaal, ondanks zijn alomtegenwoordigheid, op veel manieren een mysterie. Beton is geen uniforme blok steen; het is een complexe mengeling van zand, cementpasta en grotere stenen die aggregaten worden genoemd, die allemaal samen worden gebonden met kleine zakjes lucht en water. Wanneer ingenieurs willen begrijpen waarom een stuk beton zou kunnen barsten of hoe het de druk zal weerstaan, moeten ze erin kunnen kijken. Ze moeten precies weten waar de stenen zitten, waar de pasta zit en waar de holtes liggen. Hiervoo gebruiken onderzoekers een krachtige beeldvormingstechniek genaamd röntgen-computertomografie. Dit proces is vergelijkbaar met een medische CT-scan, maar in plaats van naar een menselijk lichaam te kijken, kijkt het in een cilinder beton en creëert het een gedetailleerde 3D-kaart van de interne structuur.
De uitdaging is echter dat beton een moeilijk onderwerp is voor dit soort beeldvorming. In een medische scan zien bot en zacht weefsel er heel verschillend uit omdat ze röntgenstraling op verschillende manieren absorberen. In beton absorberen de grote stenen en de cementpasta bijna exact evenveel röntgenstraling. Voor de camera zien ze eruit als een enkele, wazige grijze massa. De stenen en de pasta zijn qua uiterlijk zo vergelijkbaar dat het onderscheid tussen de twee lijkt op het proberen te onderscheiden van twee tinten grijs die bijna identiek zijn. Zonder een duidelijk visueel verschil kunnen computers de afbeelding niet automatisch in de verschillende onderdelen sorteren. Dit maakt het ongelooflijk moeilijk om het interne gedrag van het materiaal te bestudelen of om nauwkeurige computermodellen te maken die voorspellen hoe het zal presteren. Jarenlang was de enige manier om een helder beeld te krijgen het handmatig overtrekken van elke steen en elke barst, een traag en tijdrovend proces dat de hoeveelheid die wetenschappers kunnen leren beperkt.
Een team van onderzoekers van de Tsjechische Technische Universiteit in Praag en het Instituut voor Wetenschap en Technologie in Luxemburg heeft een nieuwe manier ontwikkeld om dit probleem op te lossen zonder menselijke handen nodig te hebben om de lijnen te tekenen. Ze creëerden een computerprogramma dat zichzelf kan leren het verschil te zien tussen de stenen en de pasta, zelfs wanneer de beelden wazig zijn en het contrast laag is. De sleutel tot hun succes was een methode genaamd zelf-annotatie. In plaats van de computer duizenden afbeeldingen te voeren die al door mensen zijn gelabeld, lieten ze de computer naar de afbeelding kijken en zijn eigen gokken doen over wat wat is. De computer begint de afbeelding op te delen in kleine, perceptueel gelijkaardige fragmenten, vergelijkbaar met een mozaïek. Vervolgens bekijkt de computer deze fragmenten en probeert ze te groeperen op basis van hoe ze er in de bredere context van de afbeelding uitzien. Door zijn eigen gokken herhaaldelijk aan te passen en te leren van zijn fouten, ontdekt de computer uiteindelijk welke delen van de grijze massa de stenen zijn en welke de pasta zijn.
De onderzoekers testten deze aanpak op echte betonmonsters die met röntgenstraling waren gescand. Ze hebben de computer geen vooraf gelabelde voorbeelden laten zien van hoe de stenen of de pasta eruit zouden moeten zien. In plaats daarvan lieten ze het systeem op eigen kracht draaien, gebruikmakend van een specifiek type neurale netwerkarchitectuur die goed is in het herkennen van patronen in afbeeldingen. Het systeem slaagde erin de twee fasen in de afbeeldingen te scheiden, waardoor een heldere kaart ontstond waar de stenen één kleur hadden en de pasta een andere. Om er zeker van te zijn dat de methode werkte, vergeleken het team de output van de computer met een reeks afbeeldingen die zorgvuldig door menselijke experts waren gelabeld. De resultaten toonden aan dat de automatische methode van de computer veel beter was in het identificeren van de stenen dan de traditionele manier van simpelweg kijken naar de helderheid van de pixels. De traditionele methode verwarde de stenen vaak met de pasta of miste ze volledig, maar de nieuwe aanpak vond de stenen met veel grotere nauwkeurigheid en consistentie.
Een van de meest significante aspecten van dit werk is dat de computer werd getest op een volledig ander betonmonster dan het monster waarop hij getraind was. In veel eerdere studies trainden onderzoekers een model op één deel van een monster en testten het op een ander deel van hetzelfde monster, wat kan verhullen of een model echt het materiaal leert of slechts de specifieke afbeelding uit het hoofd leert. In dit geval kreeg het model te maken met een gloednieuwe cilinder beton die het nog nooit had gezien, en toch presteerde het goed. Dit suggereert dat de methode robuust is en kan worden toegepast op veel verschillende soorten beton zonder dat deze voor elke nieuwe batch opnieuw getraind hoeft te worden. De onderzoekers ontdekten dat hoewel de computer uitstekend was in het vinden van de stenen, hij soms moeite had met de uiterste randen van het monster of met stenen die zeer dicht op elkaar gepakt zaten. Dit zijn gebieden waar de beeldkwaliteit van nature verslechtert en de computer maakte af en toe fouten, zoals het samenvoegen van verschillende kleine stenen tot één grote klomp. Ondanks deze kleine fouten was de algehele prestatie echter superieur aan bestaande methoden.
De studie onderzocht ook of de computer kon leren om alle drie de hoofdonderdelen van beton te identificeren: de stenen, de pasta en de kleine luchtzakjes. Toen de onderzoekers de computer vroegen om alle drie tegelijk te vinden zonder enige hulp, had de computer moeite om de luchtzakjes van de stenen te onderscheiden. De luchtzakjes zijn erg donker, terwijl de stenen en de pasta grijs zijn, maar de computer had moeite om de donkere plekken op een consistente manier van de grijze massa te scheiden. Om dit op te lossen, gaven de onderzoekers de computer een kleine hint: ze vertelden hem precies waar de luchtzakjes waren met behulp van een eenvoudige, standaardmethode die goed werkt voor donkere plekken. Met dit ene stukje informatie dat werd verstrekt, was de computer vervolgens vrij om de rest op eigen kracht uit te zoeken. Deze "semi-gesuperviseerde" aanpak werkte nog beter, waardoor het systeem erin slaagde om alle drie de componenten duidelijk te scheiden. Het eindresultaat was een schone, gedetailleerde kaart van de interne structuur van het beton die gebruikt kon worden voor verdere analyse.
Deze doorbraak is belangrijk omdat het een belangrijke flessenhals in de materiaalkunde wegneemt. Decennialang heeft het gebrek aan gelabelde gegevens het brede gebruik van geavanceerde computer vision-tools voor het bestuderen van beton voorkomen. Door aan te tonen dat een computer deze moeilijke afbeeldingen kan segmenteren zonder dat daarvoor menselijk gelabelde trainingsgegevens nodig zijn, hebben de onderzoekers de deur geopend naar snellere, efficiëntere analyse van bouwmaterialen. Dit betekent dat ingenieurs nu de interne structuur van beton sneller en nauwkeuriger kunnen bestuderen, wat leidt tot betere ontwerpen en duurzamere constructies. De methode vereist geen speciale additieven om het beton beter zichtbaar te maken in scans, noch heeft het dure apparatuur nodig buiten wat al standaard is. Het gebruikt simpelweg een slimme manier om de computer te leren naar de afbeelding te kijken en te leren van zijn eigen observaties. Hoewel er nog werk te verrichten is om de behandeling van randgevallen of geclusterde stenen te perfectioneren, demonstreert de studie een krachtig nieuw pad voorwaarts voor het begrijpen van de verborgen wereld binnen de materialen die onze wereld omhoog houden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.