基于语义分割的涂层野外暴露后宏观污损全自动分析
计算机视觉与模式识别
2022-11-22 v1 机器学习
摘要
生物污损是可持续航运、过滤膜、热交换器和医疗器械面临的一大挑战。抗污涂层的发展需要评估其有效性。此类评估通常基于在不同暴露时间后针对目标介质（如盐水）的污损进展评价。宏观污损的手动评估由于表型外观的高度差异需要关于本地污损群落的专家知识，对某些物种存在单图像采样不准确，且缺乏空间信息。本文提出一种基于图像的宏观污损自动分析方法。我们构建了一个由野外挂板图像制备的密集标注数据集，并提出一种卷积网络（改进的 U-Net）用于不同宏观污损类别的语义分割。宏观污损定位的建立使得能够生成演替模型，从而确定直接表面附着并进行深入的附生生物研究。
引用
@article{arxiv.2211.11607,
title = {Semantic Segmentation for Fully Automated Macrofouling Analysis on Coatings after Field Exposure},
author = {Lutz M. K. Krause and Emily Manderfeld and Patricia Gnutt and Louisa Vogler and Ann Wassick and Kailey Richard and Marco Rudolph and Kelli Z. Hunsucker and Geoffrey W. Swain and Bodo Rosenhahn and Axel Rosenhahn},
journal= {arXiv preprint arXiv:2211.11607},
year = {2022}
}
备注
33 pages, 10 figures