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

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

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

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

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

基于 3D 点云数据的制造零件表面质量检测吸引了日益增多的关注。我们提出了一种基于 3D 点云数据的新型未训练异常检测方法，用于复杂制造零件，能够在无训练数据的情况下实现准确的异常检测。

Apr, 2024

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

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