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

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

本文提出了一种基于数字图像相关法的表面裂纹检测框架，解决了传统研究方法中的几个关键问题，并应用于测试两种沥青混合料的断裂行为及其混合物的裂纹扩展速率。

May, 2023

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

过去十年中，开发了自动化方法来更高效、准确和客观地检测裂缝，以替代传统的手动视觉检查技术。在这些方法中，语义分割算法在逐像素裂缝检测任务中展示了有希望的结果。然而，训练这样的数据驱动算法需要大量人工标记的带有像素级注释的数据集，这是一个高度费时费力的过程。因此，我们提出了一种无监督的逐像素道路裂缝检测网络（UP-CrackNet），通过生成多尺度正方形掩膜并从中随机选择一些，来破坏未损坏的道路图像。随后，我们训练了一种生成对抗网络，利用周围未损坏区域学到的语义上下文来恢复破坏的区域。在测试阶段，通过计算输入图像和恢复图像之间的差异生成误差图，从而实现逐像素裂缝检测。我们全面的实验结果表明，UP-CrackNet 在超出普遍用途的无监督异常检测算法之上，表现出可比或更好的性能和卓越的泛化能力，当与最先进的监督裂缝分割算法进行比较时。我们的源代码公开在 mias.group/UP-CrackNet。

Jan, 2024

本文研究使用数字化采集技术和图像分析算法辅助文化遗产的保护，提出了一种半监督裂纹检测方法，并使用非参数贝叶斯分类器对其进行评估。

Apr, 2013

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

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

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