基于实时物体检测的施工进度监测计算机视觉技术
提出了一种基于DenseNet块和CBAM的实时深度学习伤害检测模型,采用先进的自我注意机制实现多尺度目标检测,并减少计算复杂度,结果显示该模型性能优于当前最先进模型,是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。
Mar, 2023
本研究创建并发布带有三维注释的虚拟数据集VCVW-3D,该数据集涵盖了15个建筑场景以及10种建筑车辆和工人。通过对VCVW-3D数据集进行训练和评估,提供用于后续研究的基准。VCVW-3D预计将通过降低数据构建、原型开发和探索空间感知应用的成本,从而促进建筑中计算机视觉(CV)的发展,特别是3D应用。
May, 2023
本文提出了一种使用普通2D相机来实现实时人机碰撞预警的新框架,该框架设计了一个单目3D目标检测模型和后处理分类模块,用于识别危险、潜在危险、关注和安全等四个预定义的接近程度,精度达到了75%,可用于监测建筑工地的人机接近度以避免碰撞。
May, 2023
通过使用新颖的计算机视觉和机器学习算法自动化检测过程,本研究提出了一种基于3D视觉的方法来准确检测砌体损伤,并展示了在结构砌体组件实验中该方法有效地分类、定位和量化关键损伤特征,并提高了砌体结构检测的自主性水平。
Aug, 2023
在道路基础设施维护和保障道路安全中,有效检测道路危险是至关重要的。本研究评估了YOLOv8,一种物体检测模型,在检测路面危险,如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本YOLOv5和YOLOv7的比较分析,强调了计算效率在各种应用中的重要性。本文探讨了YOLOv8的架构,并探索了旨在提高检测准确性的图像预处理技术,包括光照、道路类型、危险大小和类型的多样条件。此外,通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验,优化模型的性能。模型评估基于Mean Average Precision (mAP),这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算mAP分数,本研究评估了模型的稳健性和泛化能力,强调了YOLOv8在道路危险检测和基础设施维护中的重要性。
Oct, 2023
针对建筑工地的多样挑战,介绍了一个新的语义分割数据集,以增强目标检测模型在不同的天气和环境条件下的训练和评估,从而促进其在实际建筑应用中的适应能力和可靠性。
Dec, 2023
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
本研究提出了使用You Only Look Once (YOLO)版本五(YOLOv5)和版本八(YOLOv8)算法来检测和分类道路路面裂缝的方法。实验结果表明,在不同照明条件和图像尺寸下,路面裂缝的检测精度可达67.3%。该研究的发现可以帮助公路管理机构准确地检测和分类不同照明条件下的资产状况,减少人工检查的成本和时间,极大地降低公路资产维护的成本。
Jun, 2024
通过提供一个公开可用的具有标注分割标签的 14,805 张钢筋混凝土施工 RGB 图像数据集,对建筑行业的自动化机器人系统进行实验和分析,研究了数据可用性和标签一致性对模型性能的影响,结果表明模型的预测精确度较高,但需要更多数据来提高召回率,标签一致性对模型性能影响微乎其微,建议通过众包数据集来推动建筑行业中自动化机器人系统的发展。
Jul, 2024