裂纹图像的分割工具
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
本文提出了运用可解释人工智能的方法对表面裂纹进行分割和监测，结果表明，虽然生成的分割掩码质量可能不如有监督方法产生的高，但仍具有意义并能够实现严重程度的监测，从而降低了大量标注成本。
Sep, 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
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
本文提出了一种基于随机宽度（SW）方法的裂缝检测算法，以减少颜色、强度、模糊等因素对算法性能的影响，在具有挑战性的背景情景下显著提高检测效果和降低误报率和漏报率，并通过多维度测评手段在客观和主观上对算法进行了验证。
Sep, 2022
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