基于深度学习语义与轮廓分割融合的金属结构像素级腐蚀检测
计算机视觉与模式识别
2020-08-13 v1 机器学习
图像与视频处理
摘要
金属结构上的腐蚀检测是土木工程中快速、安全、有效检测的一大挑战。现有图像分析方法倾向于在缺陷区域周围放置边界框，这既不适用于结构分析，也不适用于预制——一种降低维护成本、时间与提升安全性的创新建造概念。本文应用三种面向语义分割的深度学习模型（FCN、U-Net 和 Mask R-CNN）进行腐蚀检测，相较于其他深度模型（如 CNN）在精度与耗时上更优且所需标注样本更少。然而，所得最终图像对结构分析与预制仍不够精确。为此，我们采用一种新颖的数据投影方案，将颜色分割得到的准确但过分割的区域轮廓，与深度学习掩膜的处理区域相融合，从而得到高置信度的腐蚀像素。
引用
@article{arxiv.2008.05204,
title = {Pixel-level Corrosion Detection on Metal Constructions by Fusion of Deep Learning Semantic and Contour Segmentation},
author = {Iason Katsamenis and Eftychios Protopapadakis and Anastasios Doulamis and Nikolaos Doulamis and Athanasios Voulodimos},
journal= {arXiv preprint arXiv:2008.05204},
year = {2020}
}
备注
6 pages, 6 figures