用于裂纹检测的U-Net深度学习模型
概括
Prenav用于裂缝检测的全卷积网络(FCN)模型(在2019年和2020年初)运行良好,但是要理解为什么要弄清楚为什么会犯错误,我们很难理解。 我们希望使用更简单易懂的深度学习模型架构,以建立更好的见解,从而真正提高裂缝检测模型的准确性和召回率。
U-Net体系结构是此的理想选择。 我们用作起点的代码是一个教程,因此旨在使其易于理解。 我们从这个TensorFlow教程开始:
我们修改了它:
对于裂纹检测任务
使用OpenImageIO读取和处理exr文件
要输出显示以下内容的有用图像:
具体的
人类标签标记为裂缝的像素
模型分类为裂缝的像素。
尽管我们的重点是使用更简单的深度学习模型架构来了解该模型在裂缝检测任务中的作用,但我们发现训练有素的U-Net模型也为我们提供了很好的精度,并让我们回想起了这项任务。 绝对是胜利。
介绍
讨论
2021-07-18 21:20:31
18KB
Python
1