Vis enkel innførsel

dc.contributor.advisorStahl, Annette
dc.contributor.advisorTranseth, Aksel Andreas
dc.contributor.advisorKnudsen, Ole Øystein
dc.contributor.authorFondevik, Simen Keiland
dc.date.accessioned2021-09-23T17:59:30Z
dc.date.available2021-09-23T17:59:30Z
dc.date.issued2020
dc.identifierno.ntnu:inspera:56990118:3700134
dc.identifier.urihttps://hdl.handle.net/11250/2780881
dc.description.abstractDenne masteroppgaven studerer avanserte bildesegmenteringsalgoritmer for automatisk korrosjonsskade-segmentering. Automatisk bildeanalyse er nødvendig for å prosessere all data som samles inn med dronebaserte industrielle inspeksjoner. Bilde-klassifisering kan informere en inspektør om at en skade er til stede, mens bildesegmentering kan videre spesifisere dens form og lokasjon. Dette er et første steg mot å kunne estimere totalt areal skadet overflate på en konstruksjon, et ofte brukt mål for å sette i gang vedlikehold. For dette formålet er 608 bilder annotert med binære instans-segmenteringsmasker. Dessuten er det utviklet en to-stegs metodikk for å kunstig øke antall treningsbilder. Metodikken er empirisk vist å betydelig redusere såkalt overfitting. Med denne metodikken oppnår de nevrale nettverkene PSPNet og Mask R-CNN henholdvis 86.6% og 84.1% frekvensvekted IoU på et 50-bilder testsett. Det konkluderes at bildesegmentering kan bistå i å automatisere industrielle inspeksjoner av stålkonstruksjoner i fremtiden, og at instanssegmenteringsalgoritmer trolig er mer nyttige enn såkalte semantic-segmenterings-algoritmer, grunnet mulighet for flere anvendelser. Nåværende oppnådd ytelse er imidlertid ikke god nok til å konstruere et autonomt system enda. I videre arbeid burde datasettet utvides med flere klasser, for eksempel sprekk i betong, malingsavflaking, intakt stålkonstruksjon og korrosjon på armeringsjern. Nye klasser kan også skille mellom ulike grader av alvorlighet på skader. Dessuten kan det studeres nærmere hvordan arealestimering av skadet konstruksjonsoverflate kan gjøres, og om en kan bruke tidsserieprediksjonsmetoder til å forutsi hvordan en skade vil utvikle seg i fremtiden.
dc.description.abstractThis master thesis reviews state-of-the-art image segmentation algorithms for the purposes of automatic corrosion damage segmentation and classification. Automatic image analysis is needed in order to process all data retrieved from drone-driven industrial inspections. Image classification can alert an inspector that a damage is present, whereas image segmentation can further specify its shape and location. This could be the first step towards estimation of total damaged surface area of a construction, an often-used metric to initiate maintenance. To this end, 608 images with corrosion damages are instance-wise annotated with binary segmentation masks. Additionally, a general, two-stage data augmentation scheme empirically shown to significantly reduce overfitting is developed. With this scheme, the neural networks PSPNet and Mask R-CNN obtains, respectively, 86.6% and 84.1% frequency weighted IoU on a 50-image test set. It is concluded that image segmentation can aid automating industrial inspections of steel constructions in the future, and that instance segmentation algorithms are likely more useful than semantic segmentation algorithms, due to its applications to a wider range of use-cases. However, current performance with the rather small dataset used is not good enough to construct a reliable autonomous system yet. For further work, the dataset should be extended with more classes, e.g. crack in concrete, paint flaking, intact steel construction and corrosion on rebar. This could also include classes for different degrees of severity of damages. Furthermore, ways to estimate total percentage of damaged construction coating, and applying time series prediction methods to forecast damage development, can be researched.
dc.language
dc.publisherNTNU
dc.titleImage Segmentation of Corrosion Damages in Industrial Inspections using State-of-the-Art Neural Networks
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel