تاثیر کیفیت تصویر در شناسایی ترک سازه

صحت پیش بینی شبکه‌های یادگیری عمیق در شناسایی اشیاء، بخش‌بندی و طبقه‌بندی تصاویر کاملاً با کیفیت تصاویر در ارتباط است. عوامل مخرب تصویر مانند تاری و ماتی ، نویز و مناسب نبودن شرایط نوری تصویر به علت مستحکم نبودن سنجنده و شرایط محیطی در فتوگرامتری و ماشین بینایی رایج هستند. از این رو، بازیابی تصاویر با هدف افزایش دقت شناسایی عوارض، ضروری می‌باشد. در این تحقیق، ما تاثیر وجود نویز و مناسب نبودن شرایط نوری در تصاویر را در بخش‌بندی ترک بررسی کردیم. ابتدا، یک شبکه‌ عمیق رمزگذار-رمزگشای کانولوشنی doubleu-net برای استخراج ویژگی و آموزش تصاویر برای هدف بخش‌بندی تَرَک پیاده سازی شد. برای مقایسه و ارزیابی صحت عملیات و شبکه‌ بخش‌بندی، از معیار intersection over union (iou) بهره گرفته شد. در قدم بعد، بازیابی تصاویر به کمک شبکه‌ یادگیری عمیق رمزگذار-رمز گشای چند مقیاسه با ماژول ادغام و انتخاب ویژگی mirnet پیاده سازی شد. برای ارزیابی و تجزیه و تحلیل نتایج از شاخص های ارزیابی کیفیت طیفی psnr، rmse، ssim و ergas استفاده شد. بخش‌بندی تصاویر تخریب شده با کاهش صحت همراه بود ولی پس از عملیات یازیابی تصویر این کاهش دقت تا حد زیادی بهبود پیدا کرده و جبران شد.