Apr, 2023

基于分割模型的土木基础设施缺陷评估应用

PDF
TL;DR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。
发现论文，激发创造
  • 优化视觉基础模型用于民用基础设施中裂缝分割

    该研究通过引入视觉基础模型用于裂缝分割，并采用两种参数高效微调方法来提高其性能，通过比较实验验证了该方法在各种条件下的零样本性能表现，并为土木工程中视觉模型的发展提供了新思路。

    Dec, 2023

  • 基于 SAM 的砖石裂缝检测自动化实例分割模型

    通过自动化检测建筑结构外观缺陷的方式进行视觉检查至关重要，然而，现有研究主要集中在混凝土和沥青方面，较少关注砖砌缝隙。本文提出了一个包括砖块、破损砖块和裂缝的实例分割数据集，并测试了几种领先的算法。我们提出了两种自动化执行方法，并成功提出了基于单目摄像头和 Hough 线变换的自动图像转换方法，在估计裂缝尺寸方面取得了较好的结果。总体而言，本文填补了自动化砖砌缝隙检测和尺寸估计方面的重要研究空白。

    Jan, 2024

  • 乳腺肿瘤超声和乳腺 X 线摄影图像的分割模型和 U-Net 的比较分析

    本研究旨在开发一种算法，可以识别和描绘乳腺超声和乳腺 X 线摄影图像中的肿瘤区域；该技术利用 U-Net 和 pretrained SAM 等两种先进的深度学习架构进行肿瘤分割，在不同类型的肿瘤中，U-Net 模型在精确定位和分割肿瘤区域方面表现优异。

    Jun, 2023

  • 混凝土表面裂缝分割的双流融合模型

    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

  • 基于 Transformer 和 UNet 的深度学习模型检测道路裂缝

    本文通过比较 9 个深度学习模型在道路表面裂缝检测任务中的表现，发现基于 transformer 的模型相对于卷积神经网络更易于训练、准确率更高，但通常表现出更高的内存消耗和低效率，其中 SwinUNet 为最佳模型，结果可为表面裂缝检测提供指导。

    Apr, 2023

  • 混凝土桥梁结构异常的多视角三维实例分割，用于强化结构检查

    使用三阶段方法，在 3D 空间中从图像级别的检测模型上分割出异常实例，以实现有效的结构损伤评估。

    Jan, 2024

  • 针对钢桥高分辨率图像中裂缝的深度学习分割

    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

  • nnSAM: 插拔式分段模型提升 nnUNet 性能

    将基础模型和领域特定模型相结合，nnSAM 在医学图像分割中提供了更准确、更健壮的解决方案，并允许少样本学习。

    Sep, 2023

  • 用于柔性路面裂缝检测的卷积神经网络

    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

  • 基于深度卷积神经网络和自适应阈值法的道路裂纹检测

    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