轻量级局部模式识别与长程关联的阶梯级联融合用于结构裂缝分割
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
通过结合领域知识和深度学习架构,我们演示了在少量数据的情况下可以获得类似的性能表现,我们的算法使用23%的数据就获得了和测试数据相似、多个盲数据集有显著更好的表现,其中选择基于知识的输入图像有显著的性能提升。
May, 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
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
本研究提出了CrackNex框架,利用Retinex理论中的反射信息帮助模型学习统一的光照不变表示,并利用少样本分割解决低光照条件下裂缝分割的挑战。在多个数据集上CrackNex优于现有方法,并提供了首个用于低光照裂缝分割的基准数据集LCSD。
Mar, 2024
该论文开发了一种名为鲁棒特征知识蒸馏(RFKD)的框架,通过从教师模型的逻辑层和中间特征图中提取知识,并利用混合的清晰和噪声图像将稳定的模式传递给学生模型,提高其精度、泛化性能和抗噪声性能,从而改善轻型裂缝分割模型的鲁棒性。验证结果表明,在噪声图像上,RFKD相比于最先进的知识蒸馏方法在平均Dice分数上提高了62%。
Apr, 2024
该研究解决了基础设施中裂缝检测与分割精度不足的问题,通过引入Hybrid-Segmentor模型,能够有效提取细粒度的局部和全局裂缝特征。研究成果表明,该模型在多个定量指标上超越了现有基准模型,具有广泛的应用潜力。
Sep, 2024
本研究解决了从路面图像中检测裂缝的困难,尤其是在复杂背景和低对比度情况下。提出的高效裂缝网(EfficientCrackNet)结合了卷积神经网络和变换器,利用深度可分离卷积和超轻量子空间注意力模块,实现了精准的裂缝分割。实验表明,该模型在多个基准数据集上表现优于现有轻量化模型,显示出优越的准确性与计算效率平衡。
Sep, 2024
本研究针对现有路面裂缝分割方法在低光照及运动模糊等恶劣条件下表现不佳的问题,提出了一种新颖的IRFusionFormer模型,通过有效整合RGB与热成像数据,提升裂缝检测的准确性和鲁棒性。该模型引入了多尺度关系捕获模块和基于拓扑的损失函数,达到90.01%的Dice得分和81.83%的IoU,显著改善了在复杂环境下的表现。
Sep, 2024