Мы разработали CV решение, позволяющее автоматически выделить на фотографии бетонной поверхности области с трещинами. На вход решение получает фотографию бетонной поверхности. На выходе возвращается обработанная фотография, на которой очерчены автоматически обнаруженные трещины.

Обнаружение трещин - это проблема семантической сегментации. Семантическая сегментация представляет собой назначение каждому пикселю изображения метки класса. Таким образом, нам нужно было найти все пиксели трещин на фото бетонного сооружения.

Для решения этой задачи мы использовали архитектуру нейронной сети U-net. В первоначальном виде эта архитектура состоит из трех частей: сужение, узкое место и расширение. U-net может прогнозировать точные карты сегментации, комбинируя информацию о местоположении и контекст.

Что мы сделали

• Метрикой для оценки нашей модели был коэффициент Серенсена-Дайса. После обучения значение этой метрики составляет 95 % на обучающем наборе и 93 % на проверочном наборе.

Задачи и решения

• Детекция малых дефектов на крупноформатных изображениях. Мы разделили каждое изображение, имевшие первоначальное разрешение 11664X8750 px, на пересекающиеся квадраты размером 256X256 px. Таким образом, каждое изображение имело порядка 1600 квадратов без трещинам и порядка 150 квадратов с трещинами;
• Определение направления трещин. Большая часть получившихся квадратов имела горизонтально расположенные трещины, тогда как на деле трещины могут проходить как угодно. Нам пришлось прибегнуть к искусственному созданию новых обучающих данных на основе реальных данных. Для получения большего разнообразия входных данных мы использовали следующие методы: вертикальное и горизонтальное отражение каждого изображения; разворачивание каждого изображения под разными углами; изменение настроек яркости и контрастности каждого изображения; применение размытия по Гауссу;
• Минимизация ложноположительных результатов. Некоторые особенности поверхности визуально похожи на трещины, но таковыми не являются, поэтому необходимо было избавляться от ложноположительных результатов. Данная проблема решалась путем подбора порогового значения "уверенности" сети в своих предсказаниях и значения минимального размера трещин. Мы меняли эти параметры, тестировали, а далее оценивали совместно с заказчиком, похожи ли результаты на правду.

Результаты и ценность

• Компания заказчика с помощью нашего решения экономит порядка 20 человеко-часов в неделю, что эквивалентно $20,000 в год;
• Автоматизация и упрощение процесса;
• Минимизация присутствия человека в труднодоступных/опасных местах;
• Постоянный контроль критически важных зон;
• Сокращение расходов.