ТРЕЩИН В БЕТОНЕ
Алгоритм для обнаружения
ОПИСАНИЕ
Один из наших проектов заключался в том, чтобы обучить модель для обнаружения трещин на бетонных плитах. Основной целью было – оптимизировать производственные процессы, так как трещины на поверхностях бетонных конструкций являются серьёзным дефектом. Своевременное обнаружение таких дефектов помогает строительным компаниям и производителям бетонных конструкций в значительной степени сократить убытки.
Существует несколько способов решить данную проблему: проверять поверхности вручную или автоматизировать методы обнаружения. В настоящее время возросшая эффективность современных нейросетевых моделей и технологий компьютерного зрения делает автоматический подход приоритетным, позволяя оптимизировать процесс без потери точности.
Обнаружение трещин – это проблема семантической сегментации, которая заключается в связывании каждого пикселя изображения с меткой класса. В данном случае нам необходимо найти все пиксели трещин на фото бетонной конструкции.
Обнаружение трещин – это проблема семантической сегментации, которая заключается в связывании каждого пикселя изображения с меткой класса. В данном случае нам необходимо найти все пиксели трещин на фото бетонной конструкции.
ЗАДАЧИ
- В то время, как разрешение изображений было 11664x8750 px, трещины были настолько малы, что при наборе данных для обучения модели возник серьёзный дисбаланс.01
- Практически все трещины в данных для обучения модели были горизонтальными. Однако, на самом деле, присутствовали как горизонтальные, так и вертикальные типы дефектов.02
РЕШЕНИЕ
Нам пришлось разбить каждое изображение на перекрывающиеся фрагменты размером 256x256 пикселей. Каждое изображение было разделено примерно на 1600 образцов без трещин и 150 с трещинами, чтобы сбалансировать набор данных.
Мы выполнили аугментацию данных – метод искусственного создания новых обучающих данных из существующих обучающих данных. Нам пришлось сделать следующие преобразования, чтобы получить хорошее разнообразие входных данных:
- Отразить каждое изображение по горизонтали и по вертикали;
- Повернуть каждое изображение под разными углами;
- Поменять настройки яркости и контрастности каждого изображения;
- Применить размытие по Гауссу.
- Отразить каждое изображение по горизонтали и по вертикали;
- Повернуть каждое изображение под разными углами;
- Поменять настройки яркости и контрастности каждого изображения;
- Применить размытие по Гауссу.
РЕЗУЛЬТАТ
В качестве основной метрики успешности нашей модели был коэффициент Сёренсена. По итогу мы получили модель, которая успешно определяла трещины в 95% случаев в процессе обучения и в 93% случаев на тестовом запуске.
БИЗНЕС-ЦЕННОСТЬ
- Автоматизация и упрощение процессов;
- Минимизация присутствия человека в труднодоступных и опасных местах;
- Постоянный контроль критически важных областей;
- Сокращение расходов.