طراحی و ارزیابی یک شبکه‏ عصبی کپسولی جدید برای طبقه ‏بندی نامتوازن تصاویر

طبقه ‏بندی نامتوازن تصاویر یکی از مسائل مهم و دشوار در زمینه داده‌کاوی است. با عدم توانایی الگوریتم‌های طبقه‌بندی استاندارد، شبکه‏ های عصبی کپسولی با درنظر گرفتن ارتباطات فضایی ویژگی‏ ها، در مقایسه با سایر شبکه‏ های عمیق مثل شبکه ‏های عصبی کانولوشنی بستر مناسبی را برای طراحی مدل‏ های طبقه ‏بندی نامتوازن فراهم می‏ کنند. ازطرف‏ دیگر چندشاخگی در ترک‏ های سطحی یکی از ناهنجاری‏ ها و دسته ‏های اقلیت موجود در سازه‏ های بتنی است که تشخیص آن می ‏تواند در نگهداری سازه‏ های بتنی و مدیریت هزینه‏ ها موثر باشد. به‏ همین ‏منظور در این مقاله یک معماری جدید بر اساس شبکه‏ های عصبی کپسولی برای ارزیابی طبقه ‏بندی نامتوازن تصاویر ترک ‏های سطحی در سازه ‏های بتنی معرفی شده است. بررسی و مقایسه شبکه پیشنهادی با شبکه‏ های کانولوشنی در طبقه‏ بندی متوازن و نامتوازن ترک‏های سطحی روی 13500 مجموعه تصاویر جمع‏ آوری‏ شده، نشان از برتری شبکه پیشنهادی داشت. شبکه پیشنهادی در بررسی اثر کاهش تعداد تصاویر آموزش در دقت طبقه ‏بندی نیز برتری چشم‏گیری در مقایسه با شبکه ‏های کانولوشنی از خود نشان داد. این شبکه‏ طبقه ‏بندی متوازن ترک‏های سطحی را با دقت 99/56 درصد انجام داد. هم‏چنین شبکه پیشنهادی تا عدم توازن دسته اقلیت به اکثریت 1 به 8، دقت بالای 80 درصد داشت که نسبت به سایر روش ‏ها بسیار مناسب است.