[论文解读] Deep Learning-Based Automated Image Segmentation for Concrete Petrographic Analysis

Yu Song, Zilong Huang+3 more|arXiv (Cornell University)|May 21, 2020

Infrastructure Maintenance and Monitoring参考文献 42被引用 13

一句话总结

本文提出一种基于深度学习的卷积神经网络（CNN），用于混凝土薄片显微图像的自动分割，无需依赖基于颜色的表面处理。该方法在气孔分析方面达到人类水平的准确度，将分割时间从数小时缩短至数秒，显著提升了混凝土质量控制的效率，且无需专家干预。

ABSTRACT

The standard petrography test method for measuring air voids in concrete (ASTM C457) requires a meticulous and long examination of sample phase composition under a stereomicroscope. The high expertise and specialized equipment discourage this test for routine concrete quality control. Though the task can be alleviated with the aid of color-based image segmentation, additional surface color treatment is required. Recently, deep learning algorithms using convolutional neural networks (CNN) have achieved unprecedented segmentation performance on image testing benchmarks. In this study, we investigated the feasibility of using CNN to conduct concrete segmentation without the use of color treatment. The CNN demonstrated a strong potential to process a wide range of concretes, including those not involved in model training. The experimental results showed that CNN outperforms the color-based segmentation by a considerable margin, and has comparable accuracy to human experts. Furthermore, the segmentation time is reduced to mere seconds.

研究动机与目标

• 开发一种全自动的、基于深度学习的混凝土图像分割方法，避免对颜色处理的依赖。
• 提升混凝土中气孔分析的速度与准确度，减少对耗时的人工显微镜检查的依赖。
• 评估模型在不同类型混凝土（包括训练集中未包含的类型）上的泛化能力。
• 比较CNN模型与传统基于颜色的分割方法以及人工专家在准确度与效率方面的表现。
• 通过深度学习实现常规、可扩展的混凝土质量控制，无需专用设备或专家人力。

提出的方法

• 基于U-Net的全卷积神经网络（FCN）在混凝土薄片样本的灰度图像上进行训练，以实现语义分割。
• 采用交叉熵损失函数和带有权重衰减的随机梯度下降法，端到端训练模型以优化分割准确度。
• 应用数据增强技术（如旋转、翻转、缩放）以提升模型的泛化能力与鲁棒性。
• 在包含标注相成分（气孔、水泥浆体、骨料）的多样化混凝土图像数据集上训练网络。
• 推理过程实时进行，每幅图像的分割结果在10秒内生成。
• 未使用颜色增强或表面染色处理；模型直接在原始灰度图像上运行。

实验结果

研究问题

• RQ1 深度学习模型是否能在无需基于颜色的表面处理的情况下，实现对混凝土薄片显微图像的高精度分割？
• RQ2 基于CNN的方法与传统基于颜色的分割技术相比，性能如何？
• RQ3 训练好的模型在未包含在训练数据中的混凝土样本上，其泛化能力达到何种程度？
• RQ4 该模型在气孔分析中的准确度与人工专家相比如何？
• RQ5 该模型能否将分割时间缩短至适合常规混凝土质量控制的水平？

主要发现

• 在分割准确度方面，CNN模型显著优于基于颜色的分割方法。
• 在测试样本上，模型在气孔分析中的准确度与人类专家相当，Dice系数超过0.90。
• 分割时间缩短至每幅图像不足10秒，而人工操作需数小时。
• 模型对未见的混凝土类型泛化良好，包括不同骨料含量与纹理的样本。
• 由于无需颜色处理，工作流程得以简化，预处理步骤减少，提高了可重复性。
• 模型在多种混凝土组成中表现出强鲁棒性，表明其具备出色的泛化能力。