基于深度学习的混凝土岩相分析自动图像分割
计算机视觉与模式识别
2020-06-01 v3 计算机与社会
机器学习
摘要
测量混凝土中气孔的标准岩相测试方法（ASTM C457）需要在立体显微镜下对样品相组成进行细致且耗时的检验。高专业要求和专用设备阻碍了该测试在常规混凝土质量控制中的应用。尽管借助基于颜色的图像分割可缓解该任务，但仍需额外的表面颜色处理。近年来，使用卷积神经网络（CNN）的深度学习算法在图像测试基准上取得了前所未有的分割性能。在本研究中，我们探讨了在不使用颜色处理的情况下使用 CNN 进行混凝土分割的可行性。CNN 展现出处理广泛范围混凝土的强潜力，包括那些未参与模型训练的混凝土。实验结果表明，CNN 以可观的优势优于基于颜色的分割，并具有与人工专家相当的准确性。此外，分割时间被缩短至仅仅数秒。
引用
@article{arxiv.2005.10434,
title = {Deep Learning-Based Automated Image Segmentation for Concrete Petrographic Analysis},
author = {Yu Song and Zilong Huang and Chuanyue Shen and Humphrey Shi and David A Lange},
journal= {arXiv preprint arXiv:2005.10434},
year = {2020}
}
备注
Accepted as a journal publication by Cement & Concrete Research