1 of 14

Институт математики, механики и компьютерных наук им. И.И. Воровича

Федеральное государственное автономное образовательное учреждение высшего образования

«Южный федеральный университет»

Обнаружение и сегментация трещин�на поверхности при помощи�сверточной нейронной сети

Выполнил студент 4 к. 4 г. — Пандов Вячеслав Дмитриевич

Научный руководитель — д.ф.-м.н., доц. Карякин Михаил Игорьевич

Кафедра теории упругости

2 of 14

2

Постановка задачи

  • Реконструкция
  • Отбраковка
  • Контроль качества
  • Краш-тесты

3 of 14

3

Объект исследования

______________________________________________________________

* Набор данных «Crack Segmentation». – URL:� https://github.com/khanhha/crack_segmentation

Исходные изображения

Бинарные маски

4 of 14

4

Принцип архитектур «Autoencoders»

«Есть ли трещина?»

  • Кодировщик. Сжимает входную информацию в так называемое «сжатое представление».
  • Декодер. Реконструирует сжатое представление к необходимому конечному виду.

5 of 14

5

Цели и задачи

  1. Реализовать и обучить модель для сегментации трещин на поверхности по изображению.

​

  • Модифицировать модель из п.1 для решения задачи определения трещин на тех же изображениях поверхности. Обучить такую модель.

6 of 14

6

Архитектура VGG-13

______________________________________________________________

* Karen Simonyan, Andrew Zisserman. Very Deep Convolutional Networks� for Large-Scale Image Recognition. – 2014

  • Свертка
  • Субдискретизация

7 of 14

7

Архитектура U-Net

  • VGG Encoder

​

  • Обратная свертка

______________________________________________________________

* Olaf Ronneberger, Philipp Fischer, Thomas Brox. U-Net: Convolutional� Networks for Biomedical Image Segmentation. – 2015.

8 of 14

8

Архитектура U-Net-Classifier

9 of 14

9

Критерий классификации: бинарная кросс-энтропия

  • Бинарная кросс-энтропия
  • Производная бинарной кросс-энтропии

10 of 14

10

Критерий сегментации: коэффициент Сёренсена

  • С точки зрения множеств
  • С точки зрения пикселей

A

B

​

Dice = 0 Dice = 0.25 Dice = 1

11 of 14

11

Метрики качества

Сегментация

Классификация

​

​

12 of 14

12

Результаты

13 of 14

13

Результаты

  1. Входные изображения
  2. Предсказанные маски
  3. Истинные маски

1 1 1 1 1 0 1 1

14 of 14

14

Заключение

По результатам исследования можно сделать следующие выводы:

  1. Успешно реализована и обучена модель U-Net-Classifier, решающая задачи сегментации и классификации.
  2. Кодировщик, обученный на задаче сегментации, может успешно применяться в задаче классификации, если к нему добавить полносвязные нейронные слои.
  3. Полносвязная нейронная сеть, добавленная после уже обученного кодировщика, успешно анализирует информацию, исходящую из кодировщика и способна интерпретировать её для решения задачи классификации.