提出了一种高效的算法，用于在大规模计算机断层扫描（CT）图像中识别裂缝区域，并验证了其在提高裂缝分割效率和减少计算资源需求方面的有效性。

Feb, 2024

本文提出了基于深度学习和自适应图像分割的道路龟裂检测算法，该算法采用深度卷积神经网络、双边滤波和自适应阈值方法，可以高效准确地检测道路表面龟裂并扩大安全。

Apr, 2019

本研究提出了一种半自动裂缝分割工具，通过图像处理算法利用多方位小波变换构建图像的 “方向得分”，从而计算出最佳裂缝路径，进而实现像素级的分割，该方法优于完全自动方法，并显示出成为手动数据标注的合适替代方法的潜力。

Mar, 2024

通过结合领域知识和深度学习架构，我们演示了在少量数据的情况下可以获得类似的性能表现，我们的算法使用 23% 的数据就获得了和测试数据相似、多个盲数据集有显著更好的表现，其中选择基于知识的输入图像有显著的性能提升。

May, 2023

本文提出了边界引导裂纹分割模型（BGCrack），通过将边界特征引入裂纹识别，采用高频率模块、全局信息建模模块、联合优化模块等结构和模块，并提供了一个为钢结构建立统一的公平基准的钢板裂纹数据集。

Jun, 2023

过去十年中，开发了自动化方法来更高效、准确和客观地检测裂缝，以替代传统的手动视觉检查技术。在这些方法中，语义分割算法在逐像素裂缝检测任务中展示了有希望的结果。然而，训练这样的数据驱动算法需要大量人工标记的带有像素级注释的数据集，这是一个高度费时费力的过程。因此，我们提出了一种无监督的逐像素道路裂缝检测网络（UP-CrackNet），通过生成多尺度正方形掩膜并从中随机选择一些，来破坏未损坏的道路图像。随后，我们训练了一种生成对抗网络，利用周围未损坏区域学到的语义上下文来恢复破坏的区域。在测试阶段，通过计算输入图像和恢复图像之间的差异生成误差图，从而实现逐像素裂缝检测。我们全面的实验结果表明，UP-CrackNet 在超出普遍用途的无监督异常检测算法之上，表现出可比或更好的性能和卓越的泛化能力，当与最先进的监督裂缝分割算法进行比较时。我们的源代码公开在 mias.group/UP-CrackNet。

Jan, 2024

利用无人机和图像处理技术自动化当前桥梁视觉检查实践是提高检查效果、鲁棒性和降低成本的一种显著途径。本文研究了一种新颖的深度学习方法，用于检测高分辨率钢桥图像中的疲劳裂纹，首先，我们介绍了一个包含钢桥裂纹图像的新颖而具有挑战性的数据集。其次，我们将 ConvNext 神经网络与先前最先进的编码器 - 解码器网络集成，进行裂纹分割研究和报告，并研究了在应用于高分辨率钢桥裂纹图像时使用背景补丁对网络性能的影响。最后，我们引入了一种损失函数，允许在训练过程中使用更多的背景补丁，从而显著降低了误报率。

Mar, 2024

本文提出了一种基于双流融合的裂纹分割模型，具有更高的检测精度和更强的适应性，并提出了一种新的交互融合机制和边缘优化方法，以改善分割准确度。

May, 2023

鑑於混凝土基礎設施結構完整性評估的重要性，鑑定裂紋至關重要。然而，對於計算機視覺系統來說，強大的裂紋分割仍然是一項具有挑戰性的任務，原因在於混凝土表面的多樣外觀、不同的照明和天氣條件以及不同缺陷的重疊。本文提出了一種基於分形的高度保真度裂紋圖形模擬器以及相應的完全標註的裂紋數據集，並通過利用點對點互信息估計和自適應實例正規化作為歸納偏差，補充了後者的系統。最後，通過實證研究不同設計選擇在彌合模擬與現實差距方面的相互作用，最終證明我們引入的系統能夠有效處理現實世界的裂紋分割。

Sep, 2023

本文提出了运用可解释人工智能的方法对表面裂纹进行分割和监测，结果表明，虽然生成的分割掩码质量可能不如有监督方法产生的高，但仍具有意义并能够实现严重程度的监测，从而降低了大量标注成本。

Sep, 2023