混凝土中的裂缝
摘要
在混凝土图像中寻找并正确分割裂缝是一项具有挑战性的任务。裂缝细小而粗糙，且充满空气，导致其在通过计算机断层扫描获得的3D图像中呈现极弱的对比度。增强和分割暗色的低维结构已是一项艰巨的工作。混凝土基质的异质性以及图像的尺寸进一步增加了复杂性。当在足够且经过良好标注的数据上训练时，机器学习方法已被证明能够解决困难的分割问题。然而，迄今为止几乎没有可获取的3D图像数据用于裂缝，更别说经过标注的数据了。交互式标注容易出错，因为人类在区分猫和狗、道路和带车道路时毫无困难，但在决定二维切片中看到的细小暗色结构是否在下一切片中延续时却感到困惑。通过合成、模拟图像训练网络是一种优雅的解决方案，但也面临自身的挑战。本文描述了如何生成准合成图像数据来训练类似于众所周知的3D U-Net或随机森林的CNN，以用于分割混凝土3D图像中的裂缝。裂缝的厚度在单个裂缝内部以及同一样本中不同裂缝之间都存在很大的变化。因此，分割方法应对尺度变化保持不变性。我们引入了所谓的RieszNet，正是为此目的而设计。最后，我们讨论了如何将机器学习裂缝分割方法推广到其他混凝土类型。
引用
@article{arxiv.2501.18376,
title = {Cracks in concrete},
author = {Tin Barisin and Christian Jung and Anna Nowacka and Claudia Redenbach and Katja Schladitz},
journal= {arXiv preprint arXiv:2501.18376},
year = {2025}
}
备注
This is a preprint of the chapter: T. Barisin, C. Jung, A. Nowacka, C. Redenbach, K. Schladitz: Cracks in concrete, published in Statistical Machine Learning for Engineering with Applications (LNCS), edited by J. Franke, A. Sch\"obel, reproduced with permission of Springer Nature Switzerland AG 2024. The final authenticated version is available online at: https://doi.org/10.1007/978-3-031-66253-9