Ứng dụng Deep Learning vào phát hiện rỉ sét

Phát hiện ăn mòn và rỉ sét bằng tay cực kỳ gây tốn thời gian và công sức, và thậm chí gây ra một số trường hợp nguy hiểm. Ngoài ra, có những vấn đề trong tính nhất trí của mỗi ước tính – những thiếu sót được xác định khác nhau bởi kỹ năng của người giám định. Kiểm tra và phát hiện ăn mòn ở thân tàu, các cây cầu là việc rất quan trọng.  Quá trình kiểm tra thủ công được loại bỏ một phần nhờ robot và máy bay không người lái chụp ảnh các bộ phận từ nhiều góc độ khác nhau, và sau đó sẽ nhờ người có khả năng giám định xem qua những hình ảnh này để xác định phần bị rỉ, cần sửa chữa. Quá trình này có thể khá tẻ nhạt và tốn kém, vì các kỹ sư phải xem qua nhiều hình ảnh trong nhiều giờ liên tục, để xác định những phần bị rỉ. Mặc dù các kỹ thuật computer vision truyền thống được sử dụng với thành công hạn chế, trước đây, trong việc phát hiện ăn mòn qua hình ảnh, sự ra đời cua Deep Learning đã mở ra một khả năng hoàn toàn mới, có thể phát hiện chính xác sự ăn mòn với ít thông tin hoặc không cần đến kiểm tra thủ công.

Hãy cùng xem xét ship hull inspection, một trong những ứng dụng phổ biến của phát hiện ăn mòn. Việc phát hiển sự ăn mòn vô cùng quan trọng và được thực hiện thủ công bởi các chuyên gia kiểm tra thân tàu và đánh dấ các phần cần xử lý hoặc sửa chữa. Đó là quá trình tốn thời gian do kích thước lớn của con tàu, và độ chính xác thường kém do tầm nhìn hạn chế. Bên cạnh đó, các cuộc khảo sát thường được thực hiện trong môi trường nguy hiểm và điều kiện hoạt động cực kỳ khó khăn cho hoạt động của con người. Chưa kể tổng chi phí có thể lên tới 1 triệu euro mỗi tàu cho mỗi chu kỳ kiểm tra.

Bây giờ hãy xem xét cách chúng ta có thể sử dụng computer vision để giảm bớt vấn đề này. Kỹ thuật computer vision đơn giản, như áp dụng bộ lọc màu đỏ và xác định rỉ sét. Tuy nhiên, cách tiếp cận này có những điểm hạn chế, vì nó phát hiện rỉ sét dựa trên hiện diện của một màu nhất định. Để chính xác hơn, cần dến một mô hình có tính năng phức tạp hơn, nó sẽ xem sét các tính năng kết cấu tốt. Áp dụng cách thức này để phát hiện rỉ sét có thể khá khó khăn vì rỉ sét không có hình dạng hoặc màu sắc được xác định rõ. Để thành công với các kỹ thuật conputer vision truyền thống, người ta cần đưa ra các biện pháp phức tạp, phân loại và đo lường tính năng. Lúc này là thời điểm deep learning xuất hiện. Nền tảng căn bản của deep learning là nó tự học các tính năng phức tạp và không cần ai chỉ định rõ ràng tác tính năng. Vì vậy, sử dụng mô hình Deep learning tốt cho phép chúng tôi tự động extract các tính năng của rỉ sét.

Kỹ thuật Deep Learning đã được biết đến để trích xuất các tính năng dựa trên kết cấu rất hiệu quả. Hơn nữa, chúng tôi hiện có một thư viện các mô hình được đào tạo trước (đặc biệt là các CNN được đào tạo về ImageNet) như là một phần của kho lưu trữ nguồn mở. Hệ thống phân cấp tính năng không gian được mô hình được đào tạo trước hoạt động hiệu quả như một mô hình chung và do đó các tính năng của nó có thể được sử dụng cho một vấn đề về thị giác máy tính khác có thể liên quan đến một phân loại hoàn toàn khác. Tính đa năng của các tính năng được học trong những vấn đề khác nhau là một lợi thế chính của deep learning và nó làm deep learning trở nên rất hiệu quả đối với một kịch bản dữ liệu nhỏ. Kỹ thuật sử dụng pre-trained CNN trên một tập dữ liệu nhỏ hơn được gọi là ‘Transfer Learning’ và là một trong những động lực chính của sự thành công của các kỹ thuật deep learning trong việc giải quyết các vấn đề kinh doanh.

Chúng tôi giải quyết vấn đề này như một quá trình hai bước. Đầu tiên, chúng tôi sử dụng Deep Learning với các pre-trained model, để thực hiện phân loại hình ảnh nhị phân – những hình ảnh có ‘rỉ sét’ và những hình ảnh ‘không rỉ sét’. Thật ngạc nhiên, điều này hoạt động rất tốt. Khi chúng tôi xác định hình ảnh bị rỉ sét, chúng tôi sẽ phát triển một deep learning model để vẽ hộp giới hạn xung quanh vết rỉ sét, sử dụng Object Detection API với TensorFlow.

Đối với bước đầu tiên của phân loại hình ảnh (rỉ sét và không rỉ sét), chúng tôi sử dụng pre-trained VGG16 model mà Keras cung cấp sẵn có thông qua một API đơn giản. Vì chúng tôi đang áp dụng transfer-learning, hãy để đóng băng cơ sở tích chập từ pre-trained model và chỉ đào tạo các layer được kết nối đầy đủ cuối cùng.

Kết quả khá tuyệt vời! Chúng tôi có được độ chính xác 87%, không có bất kỳ sự thay đổi lớn nào với các hyper-parameters (là một tham số có giá trị được sử dụng để kiểm soát quá trình learning) hoặc cố thử các pre-trained models khác nhau.

Khi chúng tôi phân loại chính xác hình ảnh rỉ sét, chúng tôi chuyển sang bước tiếp theo là localizing và xác định phần gỉ trong hình ảnh bằng cách vẽ một bounding box trên vết gỉ. Chúng tôi sử dụng TensorFlow Object Detection API, một thư viện đã được chứng minh cho mục đích này. Chúng tôi chỉ sử dụng 40 hình ảnh cho khóa đào tạo này, tất cả chúng là một tập hợp con của các hình ảnh được tải xuống từ internet. Bởi không phải tất cả các hình ảnh rỉ sét mà chúng tôi đã tải xuống đều ở dạng bounding box có thể được vẽ trên phần bị rỉ. Các bước phát hiện đối tượng cần một chút chú ý. Có một vài phụ thuộc được cài đặt, các biến môi trường được set, TFRecords sẽ được tạo và đưa vào mô hình. Vì vậy, hãy chắc chắn rằng bạn thực hiện từng bước một và làm từng cái một.

Trên đây một ứng dụng về deep learning được áp dụng vào bài toán làm thế nào để phát hiện ra rỉ sét thông qua những bức ảnh. Cách thức chi tiết để làm sao phát hiện ra rỉ sét bạn có thể tham khảo từ nguồn AI Global – nơi cho bạn những thông tin đầy đủ nhất. Ngoài ra, deep learning cần đến 1 nền tảng toàn diện phát triển cung cấp đầy đủ hạ tầng từ phần cứng vật lý (CPUs & GPUs). iRender ở đây để giúp giải quyết vấn đề đó, giảm tải cho máy tính của bạn bằng cách di chuyển mọi tác vụ Build & Train & Tune dự án AI/DeepLearning lên GPU Cloud của chúng tôi. Chỉ 5-10 click để bắt đầu sở hữu sức mạnh GPU Server của bạn ngay lập tức. Tìm kiếm tự do và niềm vui công việc với sức mạnh GPU Cloud trong chính máy tính cá nhân của bạn. Hãy liên hệ ngay với chúng tôi khi gặp bất cứ vấn đề gì.

Nguồn: AI Global