本文摘要：摘要:裂紋識別一直是機器視覺領(lǐng)域的重要研究內(nèi)容,尤其是與之相關(guān)的自動檢測算法在近年來備受關(guān)注。深度學(xué)習(xí)作為機器學(xué)習(xí)的一個分支,其在裂紋識別方面已顯現(xiàn)出強大的功能和靈活性。本文對基于機器學(xué)習(xí)的裂紋識別技術(shù)的發(fā)展情況、研究現(xiàn)狀以及典型方法進行詳細(xì)
摘要:裂紋識別一直是機器視覺領(lǐng)域的重要研究內(nèi)容,尤其是與之相關(guān)的自動檢測算法在近年來備受關(guān)注。深度學(xué)習(xí)作為機器學(xué)習(xí)的一個分支,其在裂紋識別方面已顯現(xiàn)出強大的功能和靈活性。本文對基于機器學(xué)習(xí)的裂紋識別技術(shù)的發(fā)展情況、研究現(xiàn)狀以及典型方法進行詳細(xì)介紹:首先介紹了多種機器學(xué)習(xí)方法在裂紋識別領(lǐng)域的應(yīng)用,并從特征提取算法和應(yīng)用對象等方面介紹了支持向量機、K最近鄰、神經(jīng)網(wǎng)絡(luò)、決策樹和隨機森林等常用的分類器;其次,從網(wǎng)絡(luò)模型、數(shù)據(jù)集和應(yīng)用對象等方面介紹了深度學(xué)習(xí)方法在裂紋識別領(lǐng)域的應(yīng)用。同時,本文還對近20年(2000-2020年)的81篇相關(guān)文獻進行對比分析,認(rèn)為未來金屬裂紋的識別依舊是熱門研究,多種算法的混合會逐漸替代單一算法成為今后的發(fā)展方向。
關(guān)鍵詞:裂紋識別機器學(xué)習(xí)特征提取計算機視覺圖像處理
引言裂紋是指材料在應(yīng)力和/或環(huán)境作用下產(chǎn)生的裂隙,它存在于道路、機械、建筑等各種結(jié)構(gòu)中。裂紋是引起大型復(fù)雜結(jié)構(gòu)破壞的主要原因之一。早期初始的裂紋通常微小,隱匿而不易被發(fā)現(xiàn),容易被人們忽略,但裂紋的深入擴展往往會導(dǎo)致重大災(zāi)難性事故的發(fā)生,如航空災(zāi)難、橋梁坍塌和油氣管線爆裂等,給國家和社會造成了巨大的損失。因此,對早期初始微小裂紋的準(zhǔn)確檢測至關(guān)重要。
機器學(xué)習(xí)評職知識： 研究機器學(xué)習(xí)有哪些引用文獻
傳統(tǒng)裂紋識別主要依賴人工,存在成本高、耗時長和可靠性偏低等問題,而實現(xiàn)裂紋自動化、智能化檢測是目前裂紋識別領(lǐng)域的研究熱點。裂紋的自動檢測主要分為兩個步驟,一是裂紋圖像的采集,二是裂紋圖像的識別。前者依賴于無人機、激光掃描和衛(wèi)星等多種手段獲取,目前已有較多文獻對裂紋圖像采集進行介紹;針對后者,自動檢測算法通過對數(shù)據(jù)的處理,實現(xiàn)對裂紋圖像的自動識別。近年來機器學(xué)習(xí)技術(shù)飛速發(fā)展,并已被廣泛應(yīng)用于自動檢測領(lǐng)域。
傳統(tǒng)機器學(xué)習(xí)方法需要提前對特征進行定義,但不同的特征定義將影響著模型的準(zhǔn)確性;與之相反,深度學(xué)習(xí)方法通過自動學(xué)習(xí)來獲取特征,不需要對特征提前定義,是當(dāng)今裂紋識別的主流技術(shù)。目前,已有許多研究人員對裂紋識別領(lǐng)域的方法進行綜述。例如,Czimmermann等[1]從特征提取方法和分類網(wǎng)絡(luò)方面對近年來的裂紋識別技術(shù)進行綜述,但對深度學(xué)習(xí)技術(shù)介紹較少。Hsieh等[2]主要介紹機器學(xué)習(xí)中的深度學(xué)習(xí)方法,詳細(xì)對比了各種網(wǎng)絡(luò)的檢測性能,但對于機器學(xué)習(xí)的其他算法介紹很少。
Byunghyun等[3]對各種深度學(xué)習(xí)方法進行分析,選取具有代表性的網(wǎng)絡(luò)進行測試,但是僅對混凝土裂紋進行了研究。冉蓉等[4]對裂紋識別領(lǐng)域的機器學(xué)習(xí)方法和深度學(xué)習(xí)方法進行梳理,詳細(xì)介紹了基于深度卷積神經(jīng)網(wǎng)絡(luò)的裂紋識別方法,對于傳統(tǒng)機器學(xué)習(xí)方法雖然進行了描述,但是未對具體算法進行梳理分析。鑒于此,有必要梳理近年來機器學(xué)習(xí)方法在裂紋識別領(lǐng)域的研究進展。
本文主要從以下幾個方面進行闡述:首先,介紹機器學(xué)習(xí)和裂紋識別的背景知識;然后,從特征提取技術(shù)和分類器方面介紹傳統(tǒng)機器學(xué)習(xí)方法在裂紋識別方面的應(yīng)用,分析近年來機器學(xué)習(xí)在裂紋識別領(lǐng)域的發(fā)展趨勢;其次,從數(shù)據(jù)集、應(yīng)用對象和網(wǎng)絡(luò)結(jié)構(gòu)方面介紹深度學(xué)習(xí)方法在裂紋識別中的應(yīng)用及其性能,并結(jié)合文獻分析深度學(xué)習(xí)在裂紋識別領(lǐng)域的發(fā)展趨勢;最后,分析不同機器學(xué)習(xí)方法的優(yōu)缺點,并對全文進行總結(jié),以及對未來的研究方向進行展望。本文旨在綜述基于機器學(xué)習(xí)的裂紋識別算法的最新研究動態(tài),確定機器學(xué)習(xí)在裂紋識別應(yīng)用上的發(fā)展趨勢,并對不同模型性能進行評估,從而為科研人員提供潛在的研究焦點、發(fā)展方向及其研究思路。
1傳統(tǒng)機器學(xué)習(xí)方法在裂紋識別方面的應(yīng)用
機器學(xué)習(xí)尚未發(fā)展之前,研究人員利用圖像的像素特征和空間特征識別裂紋。李先沖[5]針對鋁合金機械鉸鏈中存在的裂紋,分析了圖像灰度直方圖,對圖像進行線性拉伸和去除噪聲,構(gòu)建一階微分算子模板在圖像上移動,通過檢測異常值來確定是否存在裂紋。Tolba等[6]提出一種基于多尺度結(jié)構(gòu)相似性指數(shù)(MS
Yuan等[7]針對Otsu算法在表面裂紋識別中閾值選擇效果不好的問題,提出一種加權(quán)目標(biāo)方差的改進方法,該方法的檢測率為94%,誤報率為8.4%,準(zhǔn)確率高于Otsu算法。這些識別方法不依賴任何先驗知識,不需要任何數(shù)據(jù)的支撐,通過去噪、濾波、邊緣檢測、形態(tài)學(xué)等一系列圖像處理中的基本操作,實現(xiàn)對裂紋圖像的識別。
隨著機器學(xué)習(xí)的發(fā)展,機器學(xué)習(xí)方法被廣泛應(yīng)用于圖像識別。裂紋識別任務(wù)主要分為三類:裂紋分類、裂紋檢測和裂紋分割。裂紋分類的任務(wù)是將圖像分為裂紋圖像和非裂紋圖像;裂紋檢測則是在裂紋周圍產(chǎn)生包圍框;裂紋分割是將圖像中的像素分為裂紋和非裂紋。傳統(tǒng)機器學(xué)習(xí)方法的任務(wù)一般是對裂紋進行分類識別。傳統(tǒng)的機器學(xué)習(xí)分類技術(shù)通過對圖像的預(yù)處理得到圖像的特征,之后通過分類器來完成圖像的分類。特征的提取與分類器的選擇將直接影響到分類的準(zhǔn)確性,可以選擇顏色、紋理、形狀等作為特征。應(yīng)用比較廣泛的分類器有支持向量機、K最近鄰、決策樹、決策樹、隨機森林、神經(jīng)網(wǎng)絡(luò)等。
1.1評價指標(biāo)
為評價算法性能優(yōu)劣需要確定一套評價指標(biāo),對比預(yù)測圖像和真實圖像可以得到以下幾個參數(shù):TP:準(zhǔn)確預(yù)測裂紋圖像;FP:非裂紋圖像預(yù)測為裂紋圖像;FN:裂紋圖像預(yù)測為非裂紋圖像;TN:準(zhǔn)確預(yù)測非裂紋圖像。
1.2基于支持向量機的裂紋識別
支持向量機(Supportvectormachine,SVM)是一種監(jiān)督學(xué)習(xí)的分類器,已被廣泛應(yīng)用于裂紋分類過程[8
Sindagi等[13]提出一種改進的局部二值方法,它通過提取裂紋的紋理特征來訓(xùn)練SVM分類器,在148905個樣本上進行裂紋檢測,取得93%的準(zhǔn)確率。針對SVM在樣本有限的情況下識別效果不佳的問題,Dong等[14]提出一種半監(jiān)督學(xué)習(xí)方法LapSVM,該方法將有監(jiān)督的核方法和無監(jiān)督的聚類方法相結(jié)合,既擁有SVM非線性處理能力,又能利用聚類解決數(shù)據(jù)量有限的問題,但是無監(jiān)督的聚類方法的加入會增加算法的時間成本。
1.3基于KNN算法的裂紋識別
K最近鄰(K
Lopez等[17,18]提取瓷磚碎塊的RGB信息和質(zhì)地作為特征,通過KNN算法實現(xiàn)分類,準(zhǔn)確率達到90%以上。單一算法提取到的特征有時無法滿足識別任務(wù)的要求,多種算法的混合可以很好地對特征進行提取。為從圖像特征的角度捕獲鋼材表面的紋理屬性,Wiltschi等[19]應(yīng)用數(shù)學(xué)形態(tài)學(xué)、多通道Gabor濾波,通過線性比例空間中的自動比例選擇進行紋理測量的計算。Latif
2基于深度學(xué)習(xí)的裂紋識別方法
2.1深度學(xué)習(xí)介紹
深度學(xué)習(xí)是機器學(xué)習(xí)的一個研究方向,可以解決傳統(tǒng)機器學(xué)習(xí)方法無法解決的問題。前文主要綜述了幾種傳統(tǒng)機器學(xué)習(xí)方法在裂紋識別方面的應(yīng)用,其重點在于對特征的提取,但傳統(tǒng)機器學(xué)習(xí)面對復(fù)雜對象時特征提取顯得較為困難。與傳統(tǒng)機器學(xué)習(xí)相比,深度學(xué)習(xí)可以通過學(xué)習(xí)獲取特征,這種能力解決了裂紋識別中復(fù)雜特征提取困難的問題。
深度學(xué)習(xí)需要大量數(shù)據(jù)的支持,人類通過不斷地優(yōu)化網(wǎng)絡(luò)模型提升網(wǎng)絡(luò)的學(xué)習(xí)能力,選擇不同的卷積核和優(yōu)化參數(shù)來配置執(zhí)行特征學(xué)習(xí)、模型構(gòu)建和模型訓(xùn)練,提升網(wǎng)絡(luò)性能。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種前饋神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)中最常用的網(wǎng)絡(luò),其根據(jù)仿生學(xué)原理模仿動物視覺組織,將圖片作為網(wǎng)絡(luò)輸入并使用神經(jīng)網(wǎng)絡(luò)的分類結(jié)果作為輸出,因此CNN具有自動學(xué)習(xí)特征的優(yōu)點。
CNN網(wǎng)絡(luò)在訓(xùn)練時通過特征提取器提取特征代替人為提取,其特征提取器由神經(jīng)網(wǎng)絡(luò)組成,通過訓(xùn)練不斷更新找到最優(yōu)權(quán)重。它由一個特征提取網(wǎng)絡(luò)和一個圖像分類網(wǎng)絡(luò)組成,特征提取網(wǎng)絡(luò)由卷積層和池化層組成。卷積層通過卷積對圖像上的像素點進行運算,經(jīng)過卷積層產(chǎn)生的新圖像包含了原本圖像的特征,被稱為特征圖。池化層可以縮小圖像尺寸,減少數(shù)據(jù)量。
2.2數(shù)據(jù)集介紹
在訓(xùn)練和評估學(xué)習(xí)網(wǎng)絡(luò)時,需要大量數(shù)據(jù)的支撐,而原始數(shù)據(jù)的獲取是一個問題。對于大裂紋,可以通過拍攝直接獲取;對于微裂紋,可以通過激光掃描的方法來獲取原始圖像[39
3展望
本文分別介紹了支持向量機、KNN、隨機森林、決策樹和人工神經(jīng)網(wǎng)絡(luò)多種機器學(xué)習(xí)方法,以及深度學(xué)習(xí)在裂紋識別的研究。由于機器學(xué)習(xí)方法的發(fā)展,近年來對KNN算法的研究越來越少,但KNN算法簡單易操作,精度依賴于對K值的選擇,因此研究自適應(yīng)K值選擇方法依舊有意義。支持向量機作為一種常見的分類器被廣泛應(yīng)用,可以很好地應(yīng)對學(xué)習(xí)過程中過擬合問題和線性不可分的問題。
決策樹算法簡單易懂,且不受數(shù)據(jù)縮放的影響,但是存在過擬合和泛化性能差的問題。隨機森林是由大量隨機初始化決策樹組成的分類器,可以判斷特征的重要程度及不同特征之間的相互影響,還具有不易過擬合、訓(xùn)練速度快等優(yōu)點,缺點是在某些噪音較大的分類或回歸問題上存在過擬合。與其他分類器相比,神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確度有很大的優(yōu)勢,但其對數(shù)據(jù)和算力的依賴性極大,而且訓(xùn)練過程如同“黑匣子”,這意味著難以知曉如何產(chǎn)出結(jié)果及其原因。 基于本文的回顧,我們認(rèn)為未來的研究方向有以下幾點:
(1)傳統(tǒng)的機器學(xué)習(xí)方法依賴于特征的選取,其研究主要集中在如何獲得更準(zhǔn)確的特征進行分類。未來可以針對某類的裂紋識別,比如金屬裂紋、道路裂紋等,建立統(tǒng)一特征提取模型和評估模型,為人工選擇裂紋特征提供參考。(2)深度學(xué)習(xí)不需要人為選取特征,它會通過輸入的數(shù)據(jù)學(xué)習(xí)圖像特征。因此,構(gòu)建優(yōu)秀的學(xué)習(xí)模型,提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率和收斂能力一直是研究的重要內(nèi)容。深度學(xué)習(xí)會消耗大量的計算資源,如何在減少資源消耗的同時獲得良好的性能是一個需要解決的問題。
(3)無論是機器學(xué)習(xí)還是深度學(xué)習(xí),兩者都依賴大量數(shù)據(jù)的支持,裂紋圖像的獲取相較于其他圖像更加困難。減少網(wǎng)絡(luò)對數(shù)據(jù)的依賴性或者對數(shù)據(jù)進行增廣也是一個研究方向,目前基于對抗神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)增廣技術(shù)正在被研究[96],未來可以應(yīng)用到裂紋圖像的數(shù)據(jù)增廣上來。(4)無論是機器學(xué)習(xí)還是深度學(xué)習(xí),單一算法/網(wǎng)絡(luò)難以滿足裂紋識別任務(wù)的要求,越來越多的人使用混合算法/網(wǎng)絡(luò),混合方法將是以后發(fā)展的方向。(5)由于深度學(xué)習(xí)的發(fā)展,人們越來越熱衷于使用深度學(xué)習(xí)方法進行研究,傳統(tǒng)機器學(xué)習(xí)方法面臨巨大的挑戰(zhàn)。深度學(xué)習(xí)方法有諸多優(yōu)勢,而傳統(tǒng)算法也有著不可忽視的作用,傳統(tǒng)算法與深度學(xué)習(xí)方法相互結(jié)合才是未來的發(fā)展趨勢。
參考文獻
[1]CZIMMERMANNT,CIUTIG,MARIOM,etal.Visual
[2]HSIEHYA,TSAIYJ.Machinelearningforcrackdetection:Reviewandmodelperformancecomparison[J].JournalofComputinginCivilEngineering,2020,34(5):04020038.
[3]BYUNGHYUNK,GEONSOONK,SOOMINJ,etal.Acomparativestudyonperformanceofdeeplearningmodelsforvision
[4]冉蓉,徐興華,邱少華,等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的裂紋檢測方法綜述[J].計算機工程與應(yīng)用,2021,57(9):23
[5]李先沖.基于圖像識別的鋁合金機械鉸鏈裂紋檢測仿真[J].計算機仿真,2020,37(2):481
作者：彭建盛1,2**,李濤濤1,侯雅茹1,許恒銘1
轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/27972.html
