本文摘要：摘要:裂紋識別一直是機器視覺領域的重要研究內容,尤其是與之相關的自動檢測算法在近年來備受關注。深度學習作為機器學習的一個分支,其在裂紋識別方面已顯現出強大的功能和靈活性。本文對基于機器學習的裂紋識別技術的發展情況、研究現狀以及典型方法進行詳細
摘要:裂紋識別一直是機器視覺領域的重要研究內容,尤其是與之相關的自動檢測算法在近年來備受關注。深度學習作為機器學習的一個分支,其在裂紋識別方面已顯現出強大的功能和靈活性。本文對基于機器學習的裂紋識別技術的發展情況、研究現狀以及典型方法進行詳細介紹:首先介紹了多種機器學習方法在裂紋識別領域的應用,并從特征提取算法和應用對象等方面介紹了支持向量機、K最近鄰、神經網絡、決策樹和隨機森林等常用的分類器;其次,從網絡模型、數據集和應用對象等方面介紹了深度學習方法在裂紋識別領域的應用。同時,本文還對近20年(2000-2020年)的81篇相關文獻進行對比分析,認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展方向。
關鍵詞:裂紋識別機器學習特征提取計算機視覺圖像處理
引言裂紋是指材料在應力和/或環境作用下產生的裂隙,它存在于道路、機械、建筑等各種結構中。裂紋是引起大型復雜結構破壞的主要原因之一。早期初始的裂紋通常微小,隱匿而不易被發現,容易被人們忽略,但裂紋的深入擴展往往會導致重大災難性事故的發生,如航空災難、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確檢測至關重要。
機器學習評職知識： 研究機器學習有哪些引用文獻
傳統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,而實現裂紋自動化、智能化檢測是目前裂紋識別領域的研究熱點。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據的處理,實現對裂紋圖像的自動識別。近年來機器學習技術飛速發展,并已被廣泛應用于自動檢測領域。
傳統機器學習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確性;與之相反,深度學習方法通過自動學習來獲取特征,不需要對特征提前定義,是當今裂紋識別的主流技術。目前,已有許多研究人員對裂紋識別領域的方法進行綜述。例如,Czimmermann等[1]從特征提取方法和分類網絡方面對近年來的裂紋識別技術進行綜述,但對深度學習技術介紹較少。Hsieh等[2]主要介紹機器學習中的深度學習方法,詳細對比了各種網絡的檢測性能,但對于機器學習的其他算法介紹很少。
Byunghyun等[3]對各種深度學習方法進行分析,選取具有代表性的網絡進行測試,但是僅對混凝土裂紋進行了研究。冉蓉等[4]對裂紋識別領域的機器學習方法和深度學習方法進行梳理,詳細介紹了基于深度卷積神經網絡的裂紋識別方法,對于傳統機器學習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習方法在裂紋識別領域的研究進展。
本文主要從以下幾個方面進行闡述:首先,介紹機器學習和裂紋識別的背景知識;然后,從特征提取技術和分類器方面介紹傳統機器學習方法在裂紋識別方面的應用,分析近年來機器學習在裂紋識別領域的發展趨勢;其次,從數據集、應用對象和網絡結構方面介紹深度學習方法在裂紋識別中的應用及其性能,并結合文獻分析深度學習在裂紋識別領域的發展趨勢;最后,分析不同機器學習方法的優缺點,并對全文進行總結,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習的裂紋識別算法的最新研究動態,確定機器學習在裂紋識別應用上的發展趨勢,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、發展方向及其研究思路。
1傳統機器學習方法在裂紋識別方面的應用
機器學習尚未發展之前,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構相似性指數(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,提出一種加權目標方差的改進方法,該方法的檢測率為94%,誤報率為8.4%,準確率高于Otsu算法。這些識別方法不依賴任何先驗知識,不需要任何數據的支撐,通過去噪、濾波、邊緣檢測、形態學等一系列圖像處理中的基本操作,實現對裂紋圖像的識別。
隨著機器學習的發展,機器學習方法被廣泛應用于圖像識別。裂紋識別任務主要分為三類: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。傳統機器學習方法的任務一般是對裂紋進行分類識別。傳統的機器學習分類技術通過對圖像的預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確性,可以選擇顏色、紋理、形狀等作為特征。應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、神經網絡等。
1.1評價指標
為評價算法性能優劣需要確定一套評價指標,對比預測圖像和真實圖像可以得到以下幾個參數:TP:準確預測裂紋圖像;FP:非裂紋圖像預測為裂紋圖像;FN:裂紋圖像預測為非裂紋圖像;TN:準確預測非裂紋圖像。
1.2基于支持向量機的裂紋識別
支持向量機(Supportvectormachine,SVM)是一種監督學習的分類器,已被廣泛應用于裂紋分類過程[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練SVM分類器,在148905個樣本上進行裂紋檢測,取得93%的準確率。針對SVM在樣本有限的情況下識別效果不佳的問題,Dong等[14]提出一種半監督學習方法LapSVM,該方法將有監督的核方法和無監督的聚類方法相結合,既擁有SVM非線性處理能力,又能利用聚類解決數據量有限的問題,但是無監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信息和質地作為特征,通過KNN算法實現分類,準確率達到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]應用數學形態學、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基于深度學習的裂紋識別方法
2.1深度學習介紹
深度學習是機器學習的一個研究方向,可以解決傳統機器學習方法無法解決的問題。前文主要綜述了幾種傳統機器學習方法在裂紋識別方面的應用,其重點在于對特征的提取,但傳統機器學習面對復雜對象時特征提取顯得較為困難。與傳統機器學習相比,深度學習可以通過學習獲取特征,這種能力解決了裂紋識別中復雜特征提取困難的問題。
深度學習需要大量數據的支持,人類通過不斷地優化網絡模型提升網絡的學習能力,選擇不同的卷積核和優化參數來配置執行特征學習、模型構建和模型訓練,提升網絡性能。卷積神經網絡(CNN)是一種前饋神經網絡,是深度學習中最常用的網絡,其根據仿生學原理模仿動物視覺組織,將圖片作為網絡輸入并使用神經網絡的分類結果作為輸出,因此CNN具有自動學習特征的優點。
CNN網絡在訓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網絡組成,通過訓練不斷更新找到最優權重。它由一個特征提取網絡和一個圖像分類網絡組成,特征提取網絡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,經過卷積層產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,減少數據量。
2.2數據集介紹
在訓練和評估學習網絡時,需要大量數據的支撐,而原始數據的獲取是一個問題。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、決策樹和人工神經網絡多種機器學習方法,以及深度學習在裂紋識別的研究。由于機器學習方法的發展,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用,可以很好地應對學習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,且不受數據縮放的影響,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、訓練速度快等優點,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,神經網絡的分類準確度有很大的優勢,但其對數據和算力的依賴性極大,而且訓練過程如同“黑匣子”,這意味著難以知曉如何產出結果及其原因。 基于本文的回顧,我們認為未來的研究方向有以下幾點:
(1)傳統的機器學習方法依賴于特征的選取,其研究主要集中在如何獲得更準確的特征進行分類。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)深度學習不需要人為選取特征,它會通過輸入的數據學習圖像特征。因此,構建優秀的學習模型,提高神經網絡的訓練效率和收斂能力一直是研究的重要內容。深度學習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)無論是機器學習還是深度學習,兩者都依賴大量數據的支持,裂紋圖像的獲取相較于其他圖像更加困難。減少網絡對數據的依賴性或者對數據進行增廣也是一個研究方向,目前基于對抗神經網絡的數據增廣技術正在被研究[96],未來可以應用到裂紋圖像的數據增廣上來。(4)無論是機器學習還是深度學習,單一算法/網絡難以滿足裂紋識別任務的要求,越來越多的人使用混合算法/網絡,混合方法將是以后發展的方向。(5)由于深度學習的發展,人們越來越熱衷于使用深度學習方法進行研究,傳統機器學習方法面臨巨大的挑戰。深度學習方法有諸多優勢,而傳統算法也有著不可忽視的作用,傳統算法與深度學習方法相互結合才是未來的發展趨勢。
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.基于深度卷積神經網絡的裂紋檢測方法綜述[J].計算機工程與應用,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
轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/dzlw/27972.html
