應用全卷積神經網絡：U-Net於鏽蝕語義分割影像辨識

Corrosion Semantic Segmentation for Steel Bridge Using Fully Convolutional Networks: U-NET

陳思愷(Su-Kai Chen)

指導教授 ： 陳柏翰

國立臺灣大學/工學院/土木工程學研究所/碩士(2019年)

https://doi.org/10.6342/NTU201902786

摘要

由於台灣氣候相當潮溼以及炎熱，使得鋼橋等等的鋼結構設施相當容易生鏽，為此，希望能夠建立一個有效率且客觀的鏽蝕偵測工具，來降低鏽蝕例行檢測的人力、時間成本，以及提高檢測成果的可信度。
過往的鏽蝕偵測相關研究主要著重於利用邊緣演算法對鏽蝕的邊緣進行刻劃，進而計算鏽蝕面積，主要會面臨到的問題在於能夠辨識的鏽蝕種類受到限制，以及難以辨識異物與鏽蝕之間的差距。
本研究引入目前流行的深度學習技術，利用全卷積神經網絡建立辨識模型對鏽蝕圖像進行語義分割，來改善以往辨識方式中面臨到的限制。

關鍵字

機器學習(Machine Learning) ； 深度學習(Deep Learning) ； 全卷積(Fully Convolutional Networks, FCN) ； 語義分割(Semantic Segmentation)

並列摘要

The weather in Taiwan is hot and wet, which makes steel structures, such as steel bridges, easy to rust. Therefore, establishing an effective method for corrosion detection is important in maintaining infrastructure’s “health” and reducing the corresponding lifecycle cost.
Browsing past research efforts, there were a number of image processing techniques (IPTs) proposed for quick and effective recognition. A crucial issue has been on distinguishing real corrosion from noises or patterns which look like rust. Also, there is a limit to the type of the rust which can be detected.
In this research, the fully convolutional neural network named U-Net will be explored to establish an image semantic segmentation model, which will be able to deal with a wide range of rust type.

並列關鍵字

Machine Learning ； Deep learning ； Fully Convolutional Networks(FCN) ； Semantic Segmentation

參考文獻

[5] 楊雅晴，「運用智慧型彩色影像辨識於鋼橋生鏽檢測」，國立臺灣大學工學院土木工程學研究所碩士論文，2008。

[7] 尹昱翰，「鋼構件鏽蝕影片運用雲端辨識系統之初步開發」，國立臺灣大學工學院土木工程學研究所碩士論文，2014。

[9] 劉韋村，「以手持裝置進行鋼材鏽蝕即時影像辨識之系統開發」，國立臺灣大學工學院土木工程學研究所碩士論文，2016。

[1] unet for image segmentation: https://github.com/zhixuhao/unet

[2] 中華民國交通部，「公路鋼結構橋梁之檢測及補強規範」，初版，交通部，2008。