Новый метод сегментации изображений бетона без разметки превосходит пороговую обработку

Ученые разработали подход к семантической сегментации рентгеновских компьютерных томограмм (XCT) бетона, который не требует размеченных обучающих данных. Метод использует суперпиксельные алгоритмы для выделения локальных областей и сверточную нейронную сеть для учета глобального контекста. Это позволяет анализировать внутреннюю структуру бетона без дорогостоящей ручной разметки, что открывает новые возможности для неразрушающего контроля и материаловедения.

Что произошло

Исследователи представили инновационную методику семантической сегментации рентгеновских компьютерных томограмм бетона, которая полностью обходится без размеченных данных. В основе метода лежит комбинация двух этапов: сначала суперпиксельные алгоритмы группируют пиксели в перцептивно однородные области, затем сверточная нейронная сеть с рецептивным полем обучается соотносить эти локальные регионы с глобальным контекстом изображения. Такой двухэтапный подход позволяет модели выявлять семантически сходные структуры, такие как заполнитель и цементный камень, без необходимости в размеченных примерах.

Почему это важно

Бетон — материал со сложной случайной морфологией, и XCT является мощным инструментом для неразрушающего изучения его внутренней структуры. Однако из-за близких коэффициентов ослабления рентгеновского излучения у заполнителя и цементного камня контраст между ними крайне низок. Это делает обычные методы сегментации по интенсивности, такие как пороговая обработка, неприменимыми. Существующие нейросетевые решения требуют дорогостоящей ручной разметки, что ограничивает их использование в практических задачах. Новый метод устраняет это ограничение, обеспечивая высокую точность сегментации без затрат на разметку.

Как работает новый метод

Предложенный подход состоит из двух ключевых этапов. На первом этапе применяется суперпиксельная сегментация, которая группирует соседние пиксели в однородные области на основе их интенсивности и текстурных характеристик. Это позволяет выделить локальные структуры, такие как границы заполнителя. На втором этапе сверточная нейронная сеть анализирует эти суперпиксели в контексте всего изображения, используя рецептивное поле для учета глобальных закономерностей. Сеть обучается без размеченных данных, используя самоконтролируемые методы, такие как предсказание контекста или восстановление изображения. В результате модель способна различать заполнитель и цементный камень даже при низком контрасте.

Каковы результаты

При тестировании на новых данных метод превзошел прямое пороговое разделение по всем метрикам, включая точность, полноту и F-меру. Он обеспечил наилучший баланс чувствительности и точности при идентификации заполнителя, что критически важно для анализа структуры бетона. В отличие от пороговой обработки, которая часто ошибается на границах фаз, новый метод демонстрирует четкое выделение заполнителя даже в областях с низким контрастом.

Кого затронет

Разработчиков методов неразрушающего контроля, специалистов по механике материалов, исследователей в области компьютерного зрения и машинного обучения, а также инженеров-строителей, использующих XCT для анализа бетона. Метод может быть интегрирован в существующие пайплайны обработки томограмм, снижая затраты на разметку и повышая точность анализа.

Какие ограничения существуют

В статье не указаны конкретные архитектуры CNN и суперпиксельные алгоритмы, что затрудняет воспроизведение результатов. Неясна обобщаемость метода на другие типы бетона или гетерогенных материалов, например, на фибробетон или легкие бетоны. Кроме того, метод может требовать значительных вычислительных ресурсов для обработки больших объемов XCT-данных.

Что пока неизвестно

Исследователи не раскрывают детали архитектуры нейронной сети и выбора суперпиксельного алгоритма. Также не проведено сравнение с другими методами без учителя, такими как кластеризация или методы на основе вариационных автокодировщиков. Будущие работы должны оценить устойчивость метода к шуму и артефактам XCT, а также его применимость к другим материалам с низким контрастом фаз.

Какие перспективы у метода

Новый подход открывает путь к автоматизированному анализу внутренней структуры бетона без участия эксперта. В перспективе он может быть адаптирован для сегментации других гетерогенных материалов, таких как керамика, композиты или горные породы. Сочетание суперпиксельной сегментации и самоконтролируемого обучения может стать универсальным инструментом для обработки изображений с низким контрастом.