本文摘要：摘要:裂纹识别一直是机器视觉领域的重要研究内容,尤其是与之相关的自动检测算法在近年来备受关注。深度学习作为机器学习的一个分支,其在裂纹识别方面已显现出强大的功能和灵活性。本文对基于机器学习的裂纹识别技术的发展情况、研究现状以及典型方法进行详细
摘要:裂纹识别一直是机器视觉领域的重要研究内容,尤其是与之相关的自动检测算法在近年来备受关注。深度学习作为机器学习的一个分支,其在裂纹识别方面已显现出强大的功能和灵活性。本文对基于机器学习的裂纹识别技术的发展情况、研究现状以及典型方法进行详细介绍:首先介绍了多种机器学习方法在裂纹识别领域的应用,并从特征提取算法和应用对象等方面介绍了支持向量机、K最近邻、神经网络、决策树和随机森林等常用的分类器;其次,从网络模型、数据集和应用对象等方面介绍了深度学习方法在裂纹识别领域的应用。同时,本文还对近20年(2000-2020年)的81篇相关文献进行对比分析,认为未来金属裂纹的识别依旧是热门研究,多种算法的混合会逐渐替代单一算法成为今后的发展方向。
关键词:裂纹识别机器学习特征提取计算机视觉图像处理
引言裂纹是指材料在应力和/或环境作用下产生的裂隙,它存在于道路、机械、建筑等各种结构中。裂纹是引起大型复杂结构破坏的主要原因之一。早期初始的裂纹通常微小,隐匿而不易被发现,容易被人们忽略,但裂纹的深入扩展往往会导致重大灾难性事故的发生,如航空灾难、桥梁坍塌和油气管线爆裂等,给国家和社会造成了巨大的损失。因此,对早期初始微小裂纹的准确检测至关重要。
机器学习评职知识： 研究机器学习有哪些引用文献
传统裂纹识别主要依赖人工,存在成本高、耗时长和可靠性偏低等问题,而实现裂纹自动化、智能化检测是目前裂纹识别领域的研究热点。裂纹的自动检测主要分为两个步骤,一是裂纹图像的采集,二是裂纹图像的识别。前者依赖于无人机、激光扫描和卫星等多种手段获取,目前已有较多文献对裂纹图像采集进行介绍;针对后者,自动检测算法通过对数据的处理,实现对裂纹图像的自动识别。近年来机器学习技术飞速发展,并已被广泛应用于自动检测领域。
传统机器学习方法需要提前对特征进行定义,但不同的特征定义将影响着模型的准确性;与之相反,深度学习方法通过自动学习来获取特征,不需要对特征提前定义,是当今裂纹识别的主流技术。目前,已有许多研究人员对裂纹识别领域的方法进行综述。例如,Czimmermann等[1]从特征提取方法和分类网络方面对近年来的裂纹识别技术进行综述,但对深度学习技术介绍较少。Hsieh等[2]主要介绍机器学习中的深度学习方法,详细对比了各种网络的检测性能,但对于机器学习的其他算法介绍很少。
Byunghyun等[3]对各种深度学习方法进行分析,选取具有代表性的网络进行测试,但是仅对混凝土裂纹进行了研究。冉蓉等[4]对裂纹识别领域的机器学习方法和深度学习方法进行梳理,详细介绍了基于深度卷积神经网络的裂纹识别方法,对于传统机器学习方法虽然进行了描述,但是未对具体算法进行梳理分析。鉴于此,有必要梳理近年来机器学习方法在裂纹识别领域的研究进展。
本文主要从以下几个方面进行阐述:首先,介绍机器学习和裂纹识别的背景知识;然后,从特征提取技术和分类器方面介绍传统机器学习方法在裂纹识别方面的应用,分析近年来机器学习在裂纹识别领域的发展趋势;其次,从数据集、应用对象和网络结构方面介绍深度学习方法在裂纹识别中的应用及其性能,并结合文献分析深度学习在裂纹识别领域的发展趋势;最后,分析不同机器学习方法的优缺点,并对全文进行总结,以及对未来的研究方向进行展望。本文旨在综述基于机器学习的裂纹识别算法的最新研究动态,确定机器学习在裂纹识别应用上的发展趋势,并对不同模型性能进行评估,从而为科研人员提供潜在的研究焦点、发展方向及其研究思路。
1传统机器学习方法在裂纹识别方面的应用
机器学习尚未发展之前,研究人员利用图像的像素特征和空间特征识别裂纹。李先冲[5]针对铝合金机械铰链中存在的裂纹,分析了图像灰度直方图,对图像进行线性拉伸和去除噪声,构建一阶微分算子模板在图像上移动,通过检测异常值来确定是否存在裂纹。Tolba等[6]提出一种基于多尺度结构相似性指数(MS
Yuan等[7]针对Otsu算法在表面裂纹识别中阈值选择效果不好的问题,提出一种加权目标方差的改进方法,该方法的检测率为94%,误报率为8.4%,准确率高于Otsu算法。这些识别方法不依赖任何先验知识,不需要任何数据的支撑,通过去噪、滤波、边缘检测、形态学等一系列图像处理中的基本操作,实现对裂纹图像的识别。
随着机器学习的发展,机器学习方法被广泛应用于图像识别。裂纹识别任务主要分为三类:裂纹分类、裂纹检测和裂纹分割。裂纹分类的任务是将图像分为裂纹图像和非裂纹图像;裂纹检测则是在裂纹周围产生包围框;裂纹分割是将图像中的像素分为裂纹和非裂纹。传统机器学习方法的任务一般是对裂纹进行分类识别。传统的机器学习分类技术通过对图像的预处理得到图像的特征,之后通过分类器来完成图像的分类。特征的提取与分类器的选择将直接影响到分类的准确性,可以选择颜色、纹理、形状等作为特征。应用比较广泛的分类器有支持向量机、K最近邻、决策树、决策树、随机森林、神经网络等。
1.1评价指标
为评价算法性能优劣需要确定一套评价指标,对比预测图像和真实图像可以得到以下几个参数:TP:准确预测裂纹图像;FP:非裂纹图像预测为裂纹图像;FN:裂纹图像预测为非裂纹图像;TN:准确预测非裂纹图像。
1.2基于支持向量机的裂纹识别
支持向量机(Supportvectormachine,SVM)是一种监督学习的分类器,已被广泛应用于裂纹分类过程[8
Sindagi等[13]提出一种改进的局部二值方法,它通过提取裂纹的纹理特征来训练SVM分类器,在148905个样本上进行裂纹检测,取得93%的准确率。针对SVM在样本有限的情况下识别效果不佳的问题,Dong等[14]提出一种半监督学习方法LapSVM,该方法将有监督的核方法和无监督的聚类方法相结合,既拥有SVM非线性处理能力,又能利用聚类解决数据量有限的问题,但是无监督的聚类方法的加入会增加算法的时间成本。
1.3基于KNN算法的裂纹识别
K最近邻(K
Lopez等[17,18]提取瓷砖碎块的RGB信息和质地作为特征,通过KNN算法实现分类,准确率达到90%以上。单一算法提取到的特征有时无法满足识别任务的要求,多种算法的混合可以很好地对特征进行提取。为从图像特征的角度捕获钢材表面的纹理属性,Wiltschi等[19]应用数学形态学、多通道Gabor滤波,通过线性比例空间中的自动比例选择进行纹理测量的计算。Latif
2基于深度学习的裂纹识别方法
2.1深度学习介绍
深度学习是机器学习的一个研究方向,可以解决传统机器学习方法无法解决的问题。前文主要综述了几种传统机器学习方法在裂纹识别方面的应用,其重点在于对特征的提取,但传统机器学习面对复杂对象时特征提取显得较为困难。与传统机器学习相比,深度学习可以通过学习获取特征,这种能力解决了裂纹识别中复杂特征提取困难的问题。
深度学习需要大量数据的支持,人类通过不断地优化网络模型提升网络的学习能力,选择不同的卷积核和优化参数来配置执行特征学习、模型构建和模型训练,提升网络性能。卷积神经网络(CNN)是一种前馈神经网络,是深度学习中最常用的网络,其根据仿生学原理模仿动物视觉组织,将图片作为网络输入并使用神经网络的分类结果作为输出,因此CNN具有自动学习特征的优点。
CNN网络在训练时通过特征提取器提取特征代替人为提取,其特征提取器由神经网络组成,通过训练不断更新找到最优权重。它由一个特征提取网络和一个图像分类网络组成,特征提取网络由卷积层和池化层组成。卷积层通过卷积对图像上的像素点进行运算,经过卷积层产生的新图像包含了原本图像的特征,被称为特征图。池化层可以缩小图像尺寸,减少数据量。
2.2数据集介绍
在训练和评估学习网络时,需要大量数据的支撑,而原始数据的获取是一个问题。对于大裂纹,可以通过拍摄直接获取;对于微裂纹,可以通过激光扫描的方法来获取原始图像[39
3展望
本文分别介绍了支持向量机、KNN、随机森林、决策树和人工神经网络多种机器学习方法,以及深度学习在裂纹识别的研究。由于机器学习方法的发展,近年来对KNN算法的研究越来越少,但KNN算法简单易操作,精度依赖于对K值的选择,因此研究自适应K值选择方法依旧有意义。支持向量机作为一种常见的分类器被广泛应用,可以很好地应对学习过程中过拟合问题和线性不可分的问题。
决策树算法简单易懂,且不受数据缩放的影响,但是存在过拟合和泛化性能差的问题。随机森林是由大量随机初始化决策树组成的分类器,可以判断特征的重要程度及不同特征之间的相互影响,还具有不易过拟合、训练速度快等优点,缺点是在某些噪音较大的分类或回归问题上存在过拟合。与其他分类器相比,神经网络的分类准确度有很大的优势,但其对数据和算力的依赖性极大,而且训练过程如同“黑匣子”,这意味着难以知晓如何产出结果及其原因。 基于本文的回顾,我们认为未来的研究方向有以下几点:
(1)传统的机器学习方法依赖于特征的选取,其研究主要集中在如何获得更准确的特征进行分类。未来可以针对某类的裂纹识别,比如金属裂纹、道路裂纹等,建立统一特征提取模型和评估模型,为人工选择裂纹特征提供参考。(2)深度学习不需要人为选取特征,它会通过输入的数据学习图像特征。因此,构建优秀的学习模型,提高神经网络的训练效率和收敛能力一直是研究的重要内容。深度学习会消耗大量的计算资源,如何在减少资源消耗的同时获得良好的性能是一个需要解决的问题。
(3)无论是机器学习还是深度学习,两者都依赖大量数据的支持,裂纹图像的获取相较于其他图像更加困难。减少网络对数据的依赖性或者对数据进行增广也是一个研究方向,目前基于对抗神经网络的数据增广技术正在被研究[96],未来可以应用到裂纹图像的数据增广上来。(4)无论是机器学习还是深度学习,单一算法/网络难以满足裂纹识别任务的要求,越来越多的人使用混合算法/网络,混合方法将是以后发展的方向。(5)由于深度学习的发展,人们越来越热衷于使用深度学习方法进行研究,传统机器学习方法面临巨大的挑战。深度学习方法有诸多优势,而传统算法也有着不可忽视的作用,传统算法与深度学习方法相互结合才是未来的发展趋势。
参考文献
[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,徐兴华,邱少华,等.基于深度卷积神经网络的裂纹检测方法综述[J].计算机工程与应用,2021,57(9):23
[5]李先冲.基于图像识别的铝合金机械铰链裂纹检测仿真[J].计算机仿真,2020,37(2):481
作者：彭建盛1,2**,李涛涛1,侯雅茹1,许恒铭1
转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/27972.html
