視覚的アーティファクトを伴う複雑な亀裂の高効率特性評価のための新しい手法

本論文では、薄くて曲がりくねった、密に分布した複雑な亀裂の効率的なエンドツーエンドセグメンテーションのために設計された高度な深層学習モデルであるSHSnetを紹介します。SHSnetは、非均一な注意メカニズム、大きな受容野、境界の改良を備えており、計算効率を維持しながらセグメンテーション性能を向上させます。非常に不均衡なデータセットでのモデルの学習能力をさらに最適化するために、焦点Tversky関数に基づいた損失関数（LP）を採用します。SHSnetは、精度、再現率、交差比（IOU）、Fスコアのそれぞれで0.85、0.83、0.81、0.84の非常に高い性能を示します。文献にある他のモデルと比べて10倍少ないパラメータでこれを達成します。SHSnetを補完するために、亀裂の形態パラメータを破壊力学と幾何学的特性を通じて分析する後処理ユニット（PPU）も提案します。PPUは、これらのパラメータを正確に計算するためにスキャンラインを生成し、信頼性の高い結果を保証します。PPUは、亀裂の数、長さ、幅に対してそれぞれ相対誤差0.4%、1.2%、5.6%を示します。この方法論は、複雑なECC亀裂データセットや複数のオンラインデータセットでベンチマークされました。これらのケースのいずれにおいても、私たちの結果は、SHSnetが文献の手法と比較してさまざまなシナリオで一貫して優れた性能と効率を提供することを確認しています。