混合分割器:自动化细粒度裂缝分割的混合方法
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
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
该研究通过引入视觉基础模型用于裂缝分割,并采用两种参数高效微调方法来提高其性能,通过比较实验验证了该方法在各种条件下的零样本性能表现,并为土木工程中视觉模型的发展提供了新思路。
Dec, 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
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
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
本文提出了基于Vision Mamba (VMamba)的框架,用于对混凝土、沥青和砖石表面进行高准确度、广义化和较低计算复杂度的裂缝分割,相较于基于CNN的模型,使用VMamba的编码器-解码器网络能获得高达2.8%的更高的mDS且与基于Transformer的模型表现相当,在处理高分辨率图像输入时,VMamba-based编码器-解码器网络能够降低高达90.6%的浮点操作。
Jun, 2024
本研究解决了发展中国家在资源有限和环境多样性条件下,急需高效、准确且符合当地实际的路面病害检测方法的问题。采用结合YOLO模型与卷积块注意力模块(CBAM)的新深度学习方法,可以同时检测和分类多种路面病害类型,模型表现出良好的识别性能。这一研究不仅推动了自动化路面病害检测的进展,还为发展中国家提供量身定制的解决方案,有望提高道路安全和优化维护策略。
Aug, 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