- Код статьи
- 10.31857/S0132347424010044-1
- DOI
- 10.31857/S0132347424010044
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 1
- Страницы
- 40-52
- Аннотация
- В работе представлен алгоритм и описание его программной реализации для обнаружения линеаментов (трещин) на изображениях аэрофотосъемки угольных разрезов. В основе предложенного подхода лежит аппарат сверточных нейронных сетей для семантической классификации бинаризованных изображений объектов, а также теория графов для определения геометрического расположения объектов с последующим вычислением их длин и площадей. В качестве исходных данных использовались трехканальные RGB-изображения аэрофотосъемки высокого разрешения (пиксел 10 × 10 см). Модель программного модуля логически разделена на три уровня: предобработка, детектирование и постобработка. Первый уровень включает в себя предобработку входных данных для формирования обучающей выборки на базе последовательных трансформаций RGB-изображения в бинарное с применением библиотеки OpenCV. Второй уровень информационной модели представлен нейронной сетью типа U-Net, включающей блоки сверточной (Encoder) и разверточной частей (Decoder). На данном уровне реализовано автоматическое детектирование объектов. Третий уровень модели отвечает за расчет площадей и длин. На вход ему передается результат работы сверточной нейронной сети. Площадь трещин вычисляется путем суммирования общего числа точек с умножением на размер пиксела. Длина рассчитывается путем линеаризации площадного объекта в сегментированный объект с узловыми пикселами и последующим расчетом длин между ними с учетом разрешения исходного изображения. Программный модуль может работать с фрагментами исходного изображения путем их объединения. Модуль реализован на языке программирования Python. Код доступен по адресу (https://gitlab.ict.sbras.ru/popov/lineaments/-/tree/master/lineaments-cnn).
- Ключевые слова
- обнаружение линеаментов, трещин и эрозии грунта сверточные нейронные сети семантическая сегментация обнаружение и накопление аэрофотосъемка
- Дата публикации
- 17.09.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 17
Библиография
- 1. Potapov V.P., Oparin V.N., Mikov L.S., Popov S.E. Information Technologies in Problems of Nonlinear Geomechanics. Part I: Earth Remote Sensing Data and Lineament Analysis of Deformation Wave Processes. Journal of Mining Science. 2022. T. 58. P. 486–50.
- 2. Hao X., Du W., Zhao Y., Sun Z., Zhang Q., Wang S., Qiao H. Dynamic tensile behaviour and crack propagation of coal under coupled static-dynamic loading. Int. J. Min. Sci. Technol. 2020. T. 30. P. 659–668.
- 3. Krull B., Patrick J., Har, K., White S., Sottos N. Automatic optical crack tracking for double cantilever beam specimens. Exp. Tech. 2016. T. 40. P. 937–945.
- 4. Sun H., Liu Q., Fang L. Research on fatigue crack growth detection of M (T) specimen based on image processing technology. J. Fail. Anal. Prev. 2018. T. 18. P. 1010–1016.
- 5. Zhang W., Zhang Z., Qi D., Liu Y. Automatic crack detection and classification method for subway tunnel safety monitoring. Sensors. 2014. T. 14. P. 19307–19328.
- 6. Kong X., Li J. Vision-based fatigue crack detection of steel structures using video feature tracking. Comput.-Aided Civ. Inf. 2018. T. 33. P. 783–799.
- 7. Kong X., Li J. Non-contact fatigue crack detection in civil infrastructure through image overlapping and crack breathing sensing. Automat. Constr. 2019. T. 99. P. 125–139.
- 8. Li D., Huang P., Chen Z., Yao G., Guo X., Zheng X., Yang Y. Experimental study on fracture and fatigue crack propagation processes in concrete based on DIC technology. Eng. Fract. Mech. 2020. T. 235. P. 107–166.
- 9. Vanlanduit S., Vanherzeele, J., Longo, R. Guillaume P. A digital image correlation method for fatigue test experiments. Opt. Laser. Eng. 2009. T. 47. P. 371–378.
- 10. Valença J., Dias-da-Costa D., Júlio E., Araújo H., Costa H. Automatic crack monitoring using photogrammetry and image processing. Measurement. 2013. T. 46. P. 433–441.
- 11. Yeum C.M., Dyke S.J. Vision-based automated crack detection for bridge inspection. Comput.-Aided Civ. Inf. 2015. T. 30. P. 759–770.
- 12. Dong L., Tang Z., Li X., Chen Y., Xue J. Discrimination of mining microseismic events and blasts using convolutional neural networks and original waveform. J. Cent. S. Univ. 2020. T. 27. P. 3078–3089.
- 13. Yu Y., Wang C., Gu X., Li J. A novel deep learning-based method for damage identification of smart building structures. Struct. Health Monit. 2019. T. 18. P. 143–163.
- 14. Su C., Wang W. Concrete Cracks Detection Using Convolutional Neural Network Based on Transfer Learning. Mathematical Problems in Engineering. 2020. Article ID 7240129. 10 p. DOI: 10.1155/2020/7240129
- 15. Pauly L., Hogg D., Fuentes R., Peel H. Deeper networks for pavement crack detection. In Proc. 34th ISARC. 2017. P. 479–485.
- 16. Maeda H., Sekimoto Y., Seto T., Kashiyama T., Omata Y. Road damage detection using deep neural networks with images captured through a smartphone. arXiv preprint. 2018. P. 1-14. URL: https://arxiv.org/abs/ 1801.09454
- 17. Xu H., Su X., Wang Y., Cai H., Cui K., Chen X. Automatic bridge crack detection using a convolutional neural network. Applied Sciences. 2019. V. 9(14). P. 2867. DOI: 10.3390/app9142867
- 18. Yuan Y., Ge Z., Su X., Guo X., Suo T., Liu Y., Yu Q. Crack Length Measurement Using Convolutional Neural Networks and Image Processing. Sensors. 2021. T. 21. P. 5894.
- 19. Gehri N., Mata-Falcón J., Kaufmann W. Automated crack detection and measurement based on digital image correlation. Construction and Building Materials. 2020. T. 256. P. 119383. DOI: 10.1016/j.conbuildmat.2020.119383
- 20. Shelhamer E., Long J., Darrell T. Fully Convolutional Networks for Semantic Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. T. 39. № 4. P. 640-651. doi: 10.1109/TPAMI.2016.2572683
- 21. Chen L., Zhu Y., Papandreou G., Schroff F., Adam H. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation. Proc. European conference on computer vision (ECCV). 2018. P. 801–818. URL: https://arxiv.org/abs/1802.02611
