基于 Transformer 和 UNet 的深度学习模型检测道路裂缝
本论文采用各种深度学习模型,如 VGG19、ResNet50、Inception V3 和 EfficientNetV2,在表面裂缝检测上进行了精细调整,并通过精确度、召回率和 F1 得分进行了比较。
Jan, 2024
该研究使用了六种卷积神经网络模型来进行道路裂缝的检测,并使用一个由 14000 个样本组成的新型真实二元裂缝数据集进行微调,观察数据集扩增的效果,并得出 ResNet 和 VGG16 模型具有最高精度为 98% 的结论。
Apr, 2023
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
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
本研究评估两种深度学习模型(SAM 和 U-Net)在探测混凝土结构中的裂缝中的表现。结果表明,每个模型对于不同类型的裂缝具有自己的优势和局限性。通过结合 SAM 和 U-Net 模型,可以实现更准确和全面的裂缝检测结果。这项研究对于民用工程具有重要意义,因为 SAM 和 U-Net 模型可以用于各种混凝土结构,包括桥梁、建筑和道路,提高了裂缝检测的准确性和效率,节省了维护和修理的时间和资源。
Apr, 2023
通过利用裂缝的背景和上下文信息,本文提出了一种端到端的深度学习方法来准确地定位图像中的裂缝,并且在 Bitumen Pavement Crack 数据集上的实验结果表明,该方法表现良好且优于当前最先进的方法。
Apr, 2024
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
比较了三个预训练卷积神经网络模型(ResNet 50,ResNet 18 和 MobileNet)性能,用于识别路段中的坑洞,并将路面图像分类为小坑洞、大坑洞和正常路面的三个类别。
Sep, 2023
本研究提出了一种基于分割的深度学习架构,用于表面异常检测和分割,在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能,可以使用少量的样本进行训练,因此可以实际应用于工业领域。
Mar, 2019