推进细裂纹检测的极限
计算机视觉与模式识别
2021-01-12 v1
摘要
在本研究中，我们考虑从混凝土表面图像中检测裂缝的问题，以用于桥梁等基础设施的自动化检测。其总体精度取决于能否准确检测出亚像素宽度的细裂纹。我们的兴趣在于，如果可以定义，则使检测尽可能接近细度极限的裂缝成为可能。为此，我们首先提出一种训练 CNN 的方法，使其在人类标注标签上训练时能比人类更准确地检测裂缝。为实现这一看似不可能的目标，我们在训练 CNN 时有意降低输入图像的空间分辨率，同时保持其标签的分辨率。这使得标注人类难以察觉的过细裂缝成为可能，我们称之为超人类标签。我们通过实验表明，这能以大致相同的精度从分辨率仅为标注所用图像三分之一的图像中检测裂缝。我们还提出了三种进一步提升细裂纹检测精度的方法：i) P-pooling，在下采样操作中保持微小图像结构；ii) 利用通过 VAE-GAN 框架学习的裂缝形状先验，在后处理步骤中去除短段裂缝；iii) 对预测的不确定性进行建模，以更好地处理超出 CNN 检测能力的困难标签，这些标签在技术上也作为噪声标签。我们通过实验检验了这些方法的有效性。
引用
@article{arxiv.2101.03326,
title = {Pushing the Envelope of Thin Crack Detection},
author = {Liang Xu and Taro Hatsutani and Xing Liu and Engkarat Techapanurak and Han Zou and Takayuki Okatani},
journal= {arXiv preprint arXiv:2101.03326},
year = {2021}
}