Jan, 2024

基于卷积深度学习模型的混凝土表面裂纹检测

PDF
TL;DR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。
crack detectionstructural health monitoringcomputer vision techniquesconvolutional neural networksdeep learning models
发现论文，激发创造
  • 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

  • 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

  • 道路裂缝检测的多粒度上下文信息流模型

    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

  • 基于分割的深度学习方法用于表面缺陷检测

    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

  • 对卷积神经网络在钢板表面缺陷分类中性能的建模与评估

    探讨基于转移学习技术的各种 CNN 模型的性能评估结果表明，DenseNet201 在 NEU 数据集上的检测率最高，达到 98.37%。

    Jun, 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

  • 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

  • 利用卷积神经网络和迁移学习进行制造缺陷检测和分割

    提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

    Aug, 2018

  • 基于三元组网络的工业表面距离异常检测

    本文探讨了如何利用基于距离的异常检测方法训练深度残差三元组网络模型，并通过随机擦除技术合成缺陷样本以直接学习相似度度量，从而提高表面缺陷检测的准确性。实验结果表明，该方法能够检测出不同类型的异常，包括弯曲、破碎或裂纹等。

    Nov, 2020