Generalising Hybrid OUR-Net -U-Net for Accurate Identification and Multi-Domain Structural Crack Segmentation Using Refinement Techniques
Dit artikel stelt een zwak gesuperviseerd framework voor dat afbeelding-niveau annotaties benut om verfijnde pseudo-maskers te genereren via CAM en Grad-CAM, die vervolgens worden gebruikt om een hybride OUR-Net–U-Net model te trainen voor nauwkeurige, multi-domein structurele scheursegmentatie met aanzienlijk lagere annotatiekosten en superieure prestaties vergeleken met bestaande methoden.
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
Elke brug, elk gebouw en elke weg is afhankelijk van de integriteit van zijn betonnen huid. Wanneer die huid scheurt, is dat vaak het eerste zichtbare teken dat een structuur veroudert, lijdt onder overmatig gewicht of bezwijkt onder de elementen. Als deze barsten onopgemerkt blijven, kunnen ze groter worden, waardoor water en vuil dieper kunnen binnendringen, wat uiteindelijk de veiligheid van de gehele structuur in gevaar brengt. Decennialang was de enige manier om deze scheuren te vinden de ogen van menselijke inspecteurs, die de lengte van een brug zouden aflopen of de zijkant van een toren zouden beklimmen, terwijl ze naar oppervlakken tuurden om haarlijnscheuren op te sporen. Deze methode is traag, duur en foutgevoelig, omdat vermoeidheid en subjectieve oordeelsvorming zelfs de meest ervaren inspecteur een kritiek gebrek kunnen doen missen.
In de afgelopen jaren hebben ingenieurs zich tot computers gekeerd om te helpen bij deze taak, waarbij ze kunstmatige intelligentie gebruiken om afbeeldingen van beton te scannen en schade te identificeren. Het is echter verrassend moeilijk om een computer te leren een scheur te zien. Om te leren hebben deze computerprogramma's meestal duizenden voorbeelden nodig waarbij elke afzonderlijke pixel van een scheur handmatig door een mens is getraceerd. Dit proces is zo arbeidsintensief dat het een flessenhals creëert; onderzoekers kunnen vaak niet genoeg gelabelde gegevens verzamelen om hun systemen effectief te trainen. De uitdaging is dan ook geweest om een systeem te bouwen dat scheuren met hoge precisie kan vinden zonder dat er legers aan mensen nodig zijn om ze pixel voor pixel uit te tekenen.
Een onderzoeker heeft een nieuwe aanpak ontwikkeld die dit gat overbrugt, door twee verschillende soorten kunstmatige intelligentie te combineren om structurele scheuren met grotere nauwkeurigheid en veel minder handmatige inspanning te detecteren. Hun methode, die ze een hybride raamwerk noemen, begint met het leren aan een computer of een afbeelding een scheur bevat of niet, een taak die slechts een eenvoudige "ja" of "nee" label vereist in plaats van een gedetailleerde tekening. Zodra de computer begrijpt hoe een scheur er in algemene zin uitziet, gebruikt de onderzoeker een techniek die de specifieke gebieden in de afbeelding benadrukt die de computer ervan overtuigden die beslissing te nemen. Deze geaccentueerde gebieden, die fungeren als een ruwe schets van de schade, worden vervolgens verfijnd en opgeschoond met behulp van wiskundige regels om fouten glad te strijken en onderbroken lijnen te verbinden.
Deze verfijnde schets wordt vervolgens gebruikt om een tweede, geavanceerder computermodel te trainen dat specifiek is ontworpen voor het tekenen van precieze grenzen. Dit tweede model is gebouwd om zowel de brede vorm van een scheur als de kleine, ingewikkelde details te begrijpen, waardoor het een echt breukvlak kan onderscheiden van een schaduw of een vlek op het beton. De onderzoeker testte dit systeem op een collectie echte afbeeldingen van betonoppervlakken en vergeleek de prestaties met andere bestaande methoden. Ze vonden dat hun aanpak scheuren succesvol identificeerde met een algehele nauwkeurigheid van 85 procent. Nog belangrijker is dat, door te vertrouwen op de aanvankelijke ruwe schetsen in plaats van perfecte menselijke tekeningen, het systeem de hoeveelheid handmatige labelingsarbeid met 39 procent heeft verminderd.
De resultaten toonden aan dat het systeem bijzonder goed was in het afhandelen van verschillende soorten schade, van brede, duidelijke breuken tot zeer dunne, haarlijn-scheurtjes die vaak door andere methoden worden gemist. De onderzoeker gebruikte ook statistische analyse om te bevestigen dat het vertrouwen van de computer in haar bevindingen consistent was over verschillende soorten scheuren, waarbij het systeem de hoogste zekerheid vertoonde wanneer de schade ernstig was en de laagste wanneer de scheuren nauwelijks zichtbaar waren. Hoewel het systeem niet perfect is en nog steeds enige afstemming vereist om de moeilijkste lichtomstandigheden aan te kunnen, biedt het een praktisch pad vooruit voor het monitoren van de gezondheid van onze infrastructuur. Door het detectieproces sneller en minder afhankelijk te maken van dure menselijke arbeid, kan deze methode ingenieurs helpen om meer structuren vaker te inspecteren, waardoor wordt gewaarborgd dat bruggen en gebouwen veilig blijven lang voordat een kleine scheur een grote breuk wordt.
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.