【AI HUB專欄】看電腦視覺如何助力智能裂縫偵測技術發展

圖/文 歐尼克斯實境互動工作室 許哲豪 2020/10/29

在先前文章「導入AI表面瑕疵異常偵測提升智慧製造品質」[1]中曾介紹表面瑕疵偵測的相關技術，其中包含點、線、面等類型瑕疵，這次就再把重點放到「線型瑕疵」中的「裂縫偵測(Crack Detection)」這個主題，繼續和大家做進一步分享。

在工業、機械、建築、電子領域中，當材料在加工或組裝過程受到不當外力（如夾持、撞擊、剪力、振動）時，狀況嚴重的可能會產生結構性損壞及外表破損問題，輕則外型仍保持良好，但表面已經產生肉眼可見的裂縫。如果是一般中、小型電子或機械零件產生裂縫尚可直接淘汰，但若是大型機械結構、建物、橋樑、牆壁、地面則需要進行適當補強，不然可能會造成人身安全疑慮。

常見裂縫偵測方式包括目視（或電腦視覺）、壓力或洩漏、紅外線熱感影像、超音波、渦電流、雷射掃描測距及其它各種非破壞性物理量測設備。本文將著重在一般可見光（彩色或灰階）影像裂縫分析方式，而其它物理量轉成的數位影像由於特性差異頗大，暫不列入討論範圍。

另外「刮痕」也是常見且類似較細的「裂縫」，而二者的差異在於前者通常為直線段、痕跡深度、顏色較淺，有時肉眼還需於特定角度反光下才能看到，這些多半是美觀問題，較無結構安全性問題。而真正的裂縫是指材料已遭到破壞，通常會在目視時產生明顯、顏色較深的內容，而其痕跡則較不規則，粗細也不一，經常會產生許多分叉。由於兩者偵測方式有滿大的差異，故本文僅討論「裂縫偵測」問題。

另外由於裂縫偵測常會伴隨不同材質產生不同的裂縫型態問題，加上不同的背景雜訊干擾，亦會影響相關算法及模型，故很難用一種算法或模型完全克服。為更清楚說明，以下分別就常見的「裂縫型態」、「裂縫標註方式」、「裂縫偵測算法及模型」及「裂縫公開資料集」等方面作進一步說明。

【AI HUB專欄】如何建立精準標註的電腦視覺資料集

 

圖/文 歐尼克斯實境互動工作室 許哲豪 2020/10/08

應用「深度學習」或「人工智慧」技術的朋友應該都知道，想要有好的成果必須建立在「算法（模型）」、「算力」、「資料（數據）集」及「領域知識」四大基礎之上，尤其在「監督式學習」領域下，乾淨及精準標註的資料集更是不可或缺。近年來「電腦視覺」及「自然語言處理（理解）」技術的突飛猛進，正是依靠巨量及標註品質良好的資料集。以下本文將先針對「電腦視覺」中常用的「影像分類(Image Classification)」、「物件偵測（定位）(Object Detection / Location)」、「語義（像素級）分割(Semantic Segmentation)」、「實例分割(Instance Segmentation)」、「全景分割(Panoptic Segmentation)」及「人體骨架(Human Skeleton)」等幾大領域作簡單的「任務定義」，接著再對常見的「資料集格式」、「標註形式」及「標註工具」逐一說明。