基于关键点定位的不平衡数据集微尺度裂纹检测深度学习
计算机视觉与模式识别
2024-11-18 v1 人工智能
机器学习
摘要
内部裂纹检测一直是结构健康监测的研究重点。通过聚焦结构数据集中的裂纹检测，研究表明深度学习（DL）方法能有效分析与微尺度裂纹相互作用的地震波场，这些裂纹超出了常规目视检测的分辨率。本工作探索了基于DL的关键点检测技术的新应用，通过预测定义裂纹包围区域的四个关键点坐标来定位裂纹。该研究不仅为非视觉应用开辟了新的研究方向，还有效缓解了数据不平衡对以往DL模型构成的挑战，因为后者可能偏向于预测多数类（非裂纹区域）。研究使用并探讨了流行的DL技术，如Inception模块。该模型在微尺度裂纹检测中表现出整体损失降低，体现在实际与预测裂纹位置的平均偏差降低，所有微裂纹（大于0.00微米）的平均交并比（IoU）为0.511，较大微裂纹（大于4微米）的平均IoU为0.631。
引用
@article{arxiv.2411.10389,
title = {Deep Learning for Micro-Scale Crack Detection on Imbalanced Datasets Using Key Point Localization},
author = {Fatahlla Moreh and Yusuf Hasan and Bilal Zahid Hussain and Mohammad Ammar and Sven Tomforde},
journal= {arXiv preprint arXiv:2411.10389},
year = {2024}
}