p Uma ilustração da arquitetura DeepCrack proposta. Nesta arquitetura, não há camadas totalmente conectadas, as camadas de saída lateral são inseridas após as camadas convolucionais, supervisão profunda é aplicada em cada camada de saída lateral e, em seguida, todas elas são concatenadas para formar uma saída final fundida. Desta maneira, a camada de saída final adquire características de multi-escala e multi-nível conforme o tamanho do plano de entrada das camadas de saída lateral torna-se menor e o tamanho do campo receptivo fica maior. A previsão fundida é refinada por filtragem guiada com a primeira camada de saída lateral. Crédito:Liu et al.
p Detectar e analisar rachaduras em estruturas feitas pelo homem é uma tarefa importante que pode ajudar a garantir que os edifícios sejam seguros e bem mantidos. Como empregar trabalhadores humanos para inspecionar edifícios regularmente pode ser muito caro, pesquisadores têm tentado desenvolver ferramentas que possam detectar rachaduras automaticamente. p Pesquisadores do Laboratório de Visão Computacional e Sensoriamento Remoto (CVRS) da Universidade de Wuhan, na China, desenvolveram uma nova rede neural convolucional (CNN) hierárquica profunda para prever a segmentação de trincas em pixels. A abordagem deles, chamado DeepCrack, é descrito em um artigo publicado recentemente em
Neurocomputação .
p "Propomos uma rede neural convolucional hierárquica profunda (CNN) chamada DeepCrack para prever a segmentação de fissuras em pixels em um método de ponta a ponta, "os pesquisadores escreveram em seu artigo." Durante o treinamento, o modelo elaboradamente projetado aprende e agrega recursos em várias escalas e níveis, desde as camadas convolucionais baixas até as camadas convolucionais de alto nível, que é diferente das abordagens padrão de usar apenas a última camada convolucional. "
p A detecção de rachaduras em imagens naturais normalmente requer diferentes 'níveis' de processamento visual. Portanto, projetar um método universal que pode detectar rachaduras em uma variedade de cenas tem se mostrado bastante desafiador.
p Estudos anteriores introduziram vários métodos de visão computacional para detecção de crack, que podem ser agrupados em duas categorias amplas:abordagens baseadas em recursos locais e baseadas em recursos globais. Métodos baseados em recursos locais funcionam explorando recursos locais, como intensidade, gradiente, variância local e anisotropia de textura local, enquanto os métodos baseados em recursos globais extraem curvas de fissura em uma visão geral do edifício por meio de programação dinâmica, otimizar funções de destino com base em critérios específicos. Apesar dos resultados promissores obtidos por alguns desses métodos, nem sempre lidam bem com ruídos causados por manchas, pontos, iluminação deficiente, embaçamento e outros fatores.
p Estudos recentes descobriram que as redes neurais convolucionais (CNNs) podem alcançar desempenho de ponta em uma variedade de tarefas avançadas de visão computacional, incluindo reconhecimento de imagem, detecção de objetos e segmentação semântica. CNNs podem agregar vários níveis visuais, portanto, pode ser particularmente eficaz para detecção e segmentação de rachaduras.
p A equipe de pesquisadores da Universidade de Wuhan propôs um novo método de segmentação de crack baseado em CNNs, que pode efetivamente aprender características hierárquicas de rachaduras em várias cenas e em diferentes escalas. Para refinar a previsão de suas CNNs, os pesquisadores usaram técnicas de filtragem guiada (GF) e campos aleatórios condicionais (CRFs).
p DeepCrack, a nova abordagem introduzida pelos pesquisadores, consiste em redes totalmente convolucionais estendidas (FCNs) e redes profundamente supervisionadas (DSNs). O componente DSN de seu modelo fornece supervisão direta para aprendizado de recursos de vários níveis, facilitando o aprendizado de recursos de cada camada convolucional.
p Em seu estudo, os pesquisadores também introduziram um conjunto de dados de referência público com imagens de rachaduras anotadas manualmente, que pode ser usado para avaliar os sistemas de detecção de fissuras. Além disso, eles estabeleceram métricas completas para avaliar os sistemas de detecção de rachaduras, como testes de segmentação semântica, uma curva de recuperação de precisão e uma curva de característica de operação do receptor (ROC).
p Os pesquisadores avaliaram o DeepCrack e o compararam com outras abordagens para segmentação de crack, usando o conjunto de dados e as métricas elaboradas por eles. Nessas avaliações, seu método funcionou tão bem quanto outras técnicas de última geração. Eles agora estão planejando desenvolver ainda mais seu método, ao mesmo tempo que adiciona mais imagens de regiões de fissuras falsas ao seu conjunto de dados de referência, para torná-lo mais abrangente. p © 2019 Science X Network
