Segmentierung von Betonrissen auf Bildern
ein Supper & Supper Use Case
Wir haben einen Datensatz von 458 hochauflösenden RGB-Bildern mit verschiedenen Betonrissen verwendet.
Das Training eines neuronalen Netzwerks erfordert eine große Menge an Trainingsdaten. Für verschiedene Anwendungen können die zu analysierenden Strukturen sehr unterschiedlich sein.
Um die Leistung unseres Modells zu steigern, haben wir verschiedene Augmentationstechniken eingesetzt, die verschiedene Lichtverhältnisse und strukturelle Abweichungen simulieren können. Wir haben die neuronale Netzwerkarchitektur von Deep Lab v3 angewandt, den aktuellen Stand der Technik in der Bildsegmentierung. Das Modell und die Trainingspipeline wurden mit PyTorch implementiert.
Die Modellleistung wurde basierend auf dem Würfelkoeffizienten und der True Positive Rate (TPR) bewertet. Der erste gibt an, wie gut die vorhergesagten Crack-Pixel mit der Ground Truth übereinstimmen. TPR misst, wie viele Risspixel vom Modell genau erkannt wurden.
Das endgültige Modell erreichte einen Würfelkoeffizienten von 88% und einen TPR von 97% auf dem Validierungssatz. Diese Leistung ist für automatisierte Rissprüfanwendungen geeignet.
Vorhersagen wurden dann mittels morphologischer Öffnung entrauscht. Beim Zusammensetzen der Fliesen konnten wir das gesamte Bild hinsichtlich der Anzahl der Risse sowie der Risslänge und -breite analysieren.
Das Werkzeug ist in der Lage, Oberflächenrisse auf Pixelebene genau zu erkennen. Rissbreite und -länge können so automatisch überwacht werden. Für Anwendungen, bei denen Bilder durchgängig von den gleichen Stellen aufgenommen werden, ermöglicht dies die Analyse von Rissänderungen und die frühzeitige Erkennung neuer Risse.
Kategorie
→ GEO AI
→ Infrastructure
→ Predictive Maintenance
→ Deep Learning Object Detection
→ Spatial temporal Analysis
→ Computer Vision
Technologien
Deep Learning
