Rigid pavement crack detection utilizing generative adversarial networks
Beton yollarda çekişmeli üretici ağlar kullanarak yol çatlak tespiti
- Tez No: 789600
- Danışmanlar: DOÇ. DR. ONUR PEKCAN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Görüntü çeviriciler, Segmentasyon, Üretici ağlar, Üretici çekişmeli ağlar, İnşaat mühendisliği, Image converters, Producer networks, Generative adversial networks, Civil engineering
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geoteknik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çatlaklar, kaplamanın bozulmasının ilk işareti olarak gözlenir ve bu nedenle kaplamanın daha fazla parçalanmasını önlemek için tespit edilmeli ve onarılmalıdır. Teknolojideki büyüme ile yol kaplamalarındaki çatlakları tespit etmek için çeşitli görüntü işleme, makine öğrenimi ve derin öğrenme yöntemleri uygulanmıştır. Bu yöntemlerden araştırmalar, görüntülerdeki çatlakların piksel bazında bölütlenmesi için derin öğrenme modellerinin kullanımına yöneliktir. Bununla birlikte, literatürde benimsenen derin öğrenme modellerinin çoğu denetlenir ve bu nedenle, elde edilmesi pahalı olan, karşılık gelen yer-gerçeği etiketleriyle birlikte çok büyük miktarda görüntü gerektirir. Bu nedenle, bu çalışma, çatlak bölgelerinin piksel bazında bölütlenmesi için denetimsiz bir görüntü çeviri modeli olan Döngüsel Çekişmeli Üretici Ağlar'ın (CycleGANs) kullanılmasını önermektedir. Her tek dönem için eğitilmiş ileri ve geri çevrim üreteçleri ve çift dönem için ayrımcılar ile yeni bir eğitim prosedürü benimsenmiştir. Eğitim için FCN (X. Yang ve diğerleri, 2018) ve drone (Ersoz ve diğerleri, 2017) görüntülerinden oluşan rijit bir kaplama veri seti toplanır. Model, doğru kesin bilgi etiketleri gerektirmediğinden, CrackForest, GAPS384, CrackTree200 ve Crack500 genel veri kümelerinden temel doğruluk çatlak etiketlerinin derlenmesiyle emek gerektirmeyen eşleştirilmemiş görüntü etiketleri elde edilir. Önerilen model, CrackForest algoritması (Shi ve diğerleri, 2016), FCN algoritması (X. Yang ve diğerleri, 2018) ve pix2pix modeli (Isola ve diğerleri, 2017) ile karşılaştırılabilir sonuçlar elde ederek 0,84'lük bir genel F1 puanı elde etmiştir.). Ayrıca geliştirilen model, insansız hava aracı veri setini test ederken CrackForest algoritması ve FCN denetimli modelden daha iyi performans göstermektedir. Son olarak, diskriminatör mimarisindeki değişimin etkisi ve üreteçte transfer öğrenme uygulaması araştırılmıştır. Tek sınıf bir ayrımcı mimarisi ve ImageNet'in önceden eğitilmiş ağırlıkların üretece yüklenmesinin en iyi performansı sağladığı gözlemlenmiştir
Özet (Çeviri)
Cracks are observed to be an initial sign of the degradation of the pavement and should therefore be detected and repaired to prevent further disintegrations. With the growth in technology, various image processing, machine learning, and deep learning methods have been applied to detect cracks on road pavements. The research leans towards using deep learning models for the pixel-wise segmentation of pavement image cracks among these models. However, most deep-learning models adopted in the literature are supervised and thus require enormous amounts of images with their corresponding ground-truth labels, which are expensive to obtain. Therefore, this study proposes using Cycle Generative Adversarial Network (CycleGAN), an unsupervised image translation model, for the pixel-wise segmentation of crack regions. A novel training procedure is adopted, with the forward and reverse cycle generators trained for every odd epoch and the discriminators for the even ones. A rigid pavement dataset of Fully Convolutional Network (FCN) (X. Yang et al., 2018) and drone (Ersoz et al., 2017) images are collected for training. As the model does not require accurate ground truth labels, labor-free unpaired image labels are obtained by compiling the ground truth crack labels from CrackForest, GAPS384, CrackTree200, and Crack500 public datasets. The proposed model achieved an overall F1 score of 0.84, achieving comparable results with the CrackForest algorithm (Shi et al., 2016), FCN algorithm (X. Yang et al., 2018), and pix2pix model (Isola et al., 2017). In addition, the model outperforms the CrackForest algorithm and FCN-supervised model when testing the drone dataset. Finally, the effect of change in discriminator architecture and the application of transfer learning in the generator is investigated. A one-class discriminator architecture and loading of ImageNet pre-trained weights to the generator were observed to achieve the best performance.
Benzer Tezler
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Gazi tipi eksternal fiksatörlerle yapılan uygulamalarda kırık hattındaki kompresyonun biyomekanik olarak“strain gage”lerle tayini
Başlık çevirisi yok
HÜSEYİN ŞENGÜL
Tıpta Uzmanlık
Türkçe
1987
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF. DR. ORHAN ASLANOĞLU
- 1,3-difenil-4,5-bis(hidroksiimino)-imidazolidin ve Ni(II), Cu(II), Pd(II), UO2(VI) komplekslerinin sentezi
Başlık çevirisi yok
VEFA AHSEN
Doktora
Türkçe
1984
Kimya MühendisliğiUludağ ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZER BEKAROĞLU
- ŞAl2 Cr (HC00)3 (OH)3 Cl3Ö kompleksinin yapısı ve tabakalama“Tanning”kapasitesinin araştırılması
Başlık çevirisi yok
AYSUN AÇU
- Çandarlı Körfezi'nde yayılış gösteren Ulvales (chlorophyceae) ordusu üyelerinin morfolojisi, anatomisi ve taksonomisi
Başlık çevirisi yok
BERRİN DURAL