基于CNN的标注裂纹检测用于图像标注
计算机视觉与模式识别
2024-12-06 v2
摘要
已有多种图像处理技术被用于检测裂纹缺陷，为替代人工现场检查提供了可能。这些图像处理技术通过操作图像来提取缺陷特征，特别是在增材制造（AM）产生的表面裂纹方面。本文提出了一种基于深度卷积神经网络（CNN）的视觉方法，用于增材制造表面的裂纹检测。传统的图像处理技术在应对多样化的现实场景和不同类型的裂纹时面临挑战。为克服这些挑战，所提出的方法利用CNN，消除了对大量特征提取的需求。通过LabelImg进行CNN训练的标注，无需额外的图像处理技术。经过OpenCV预处理技术增强的训练CNN，在14,982张分辨率为1536×1103像素的标注图像数据集上取得了出色的99.54%准确率。超过96%的精确率、98%的召回率和97%的F1值等评估指标，突显了整个过程的精确性和有效性。
引用
@article{arxiv.2408.11250,
title = {CNN-based Labelled Crack Detection for Image Annotation},
author = {Mohsen Asghari Ilani and Leila Amini and Hossein Karimi and Maryam Shavali Kuhshuri},
journal= {arXiv preprint arXiv:2408.11250},
year = {2024}
}