İnsan yapımı yapılarda, çatlakları tespit etmek ve analiz etmek; binaların güvenli ve bakımlı olmasını sağlamaya yardımcı olabilecek önemli bir görevdir. Binaları düzenli olarak denetlemek için, insan işçilerin kullanılması çok pahalı olabileceğinden, araştırmacılar; çatlakları otomatik olarak tespit edebilecek araçlar geliştirmeye çalışıyorlar.
Çin Wuhan Üniversitesi Bilgisayarla Görme ve Uzaktan Algılama (CVRS) Laboratuvarı araştırmacıları; piksel bazında çatlak bölümlemesini tahmin etmek için yeni bir Derin Hiyerarşik Evrişimli Sinir Ağı (CNN) geliştirdi. DeepCrack adı verilen yaklaşımları, yakın zamanda Neurocomputing’de yayınlanan bir makalede belirtilmiştir.
Eğitim sırasında, özenle tasarlanmış bu model; çok katlı ve çok katlılık özelliklerini, düşük evrimli katmanlardan, (sadece son evrimli katmanı kullanan, standart yaklaşımlarından farklı olarak) yüksek seviyeli evrimli katmanlara kadar öğrenir ve bir araya getirir.
Doğal görüntülerde çatlakları tespit etmek; tipik olarak farklı görsel işlem seviyeleri gerektirir. Bu nedenle; çeşitli sahnelerdeki çatlakları tespit edebilen evrensel bir yöntem tasarlamak bugüne kadar oldukça zorlayıcı olmuştur. Geçmişte yapılan çalışmalar; çatlak tespiti için iki geniş kategoride gruplandırılabilen sayısız bilgisayar vizyonu yöntemi geliştirmiştir: Yerel Özellik Temelli Yaklaşım ve Küresel Özellik Temelli Yaklaşım…
Yerel özellik tabanlı yöntemler; yoğunluk, gradyan, yerel değişkenlik ve yerel doku anizotropisi* gibi yerel özelliklerden yararlanarak çalışır. Genel özellik tabanlı yöntemler ise; dinamik programlama yoluyla binanın genel görünümünde çatlak eğrileri oluşturur ve hedef işlevlerini temel alarak bunları (belirli kritelere göre) optimize eder. Bu yöntemlerden bazıları tarafından elde edilen ümit verici sonuçlara rağmen; lekeler, noktalar, zayıf aydınlatma, bulanıklaştırma ve diğer faktörlerin neden olduğu sıkıntılarla her zaman iyi bir şekilde baş edemezler.
Son araştırmala, Evrişimli Sinir Ağları’nın (CNN’ler); görüntü tanıma, nesne algılama ve anlamsal bölümleme dahil olmak üzere, çeşitli gelişmiş bilgisayar görevlerinde en son teknolojiye sahip performansı elde edebileceğini keşfetmiştir. CNN’ler çoklu görsel seviyeleri toplayabilir. Bu nedenle çatlak tespiti ve segmentasyonu için özellikle etkili olabilir.
Wuhan Üniversitesi’ndeki araştırmacılar; CNN’lere dayanan ve birden fazla sahnede ve farklı ölçeklerde çatlakların hiyerarşik özelliklerini etkili bir şekilde öğrenebilen, yeni bir çatlak bölümleme yöntemi önermiştir. CNN’lerinin öngörüsünü geliştirmek için; araştırmacılar, Kılavuzlu Filtreleme (GF) ve Koşullu Rasgele Alan (CRF) tekniklerini kullandılar.
Araştırmacılar tarafından sunulan yeni yaklaşım olan DeepCrack; geniş kapsamlı Tamamen Evrimsel Ağlar’dan (FCN’ler) ve Derin Denetimli Ağlar’dan (DSN’ler) oluşmaktadır. Modellerinin DSN bileşeni, her bir evrişimsel katmanın özellik öğrenmesini kolaylaştıran çok seviyeli özellik öğrenimi için doğrudan denetim sağlar.
Araştırmacılar ayrıca; çatlak saptama sistemlerini değerlendirmek için kullanılabilecek, el ile açıklamalı çatlak görüntüleri içeren, halka açık bir referans veri seti sunmuşlardır. Ek olarak; anlamsal segmentasyon testleri, hassas bir geri çağırma eğrisi ve bir alıcı çalışma karakteristiği (ROC) eğrisi gibi çatlak tespit sistemlerini değerlendirmek için tam ölçütler kurdular.
Araştırmacılar; DeepCrack’i değerlendirdi ve kendileri tarafından tasarlanan veri setini ve metrikleri kullanarak, crack segmentasyonu için diğer yaklaşımlarla karşılaştırdı. Bu değerlendirmelerde, metotları diğer modern tekniklerin yanı sıra gerçekleştirildi. Şimdi, yöntemlerini daha da geliştirmeyi planlıyorlar, ancak bu kez daha kapsamlı hale getirmek için referans veri kümelerine, sahte çatlak bölgelerinin daha fazla görüntüsünü ekliyorlar.
*Anizotropi: İzotropinin aksine, farklı yönlerde farklı özelliklere işaret eden, yönsel olarak bağımlı olma özelliğidir.
