利用PaveSAM自动分割铺路病害
提出了一种用于道路病害识别的高效率方法,采用图像自动化技术,将图像分成小块,通过网络来识别道路病害,并通过Kernel Inversed Pyramidal Resizing Network对图像进行预处理,提高图像分辨率和比例,使用该方法比现行方法更高效。
Dec, 2022
综述最近图像处理和深度学习技术在道路病害检测和分类中的广泛应用,介绍了机器学习和深度学习算法在提高效率和准确性方面的优势,讨论了无人机数据采集的整合以及处理高分辨率图像的深度学习算法在有效检测和分类不同道路病害方面的价值。
Aug, 2023
通过一种统一的多任务模型,可以直接从顶部向下的路面图像中预测出路面状况指数(PCI),同时对于裂缝检测和分割等相关任务具有极高的准确性。
Oct, 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
本研究提出了YOLO9tr,一种基于深度学习的新型轻量级目标检测模型,用于道路损坏检测,其在特征提取和注意力机制方面引入了部分注意力块,以提高在复杂情况下的检测性能,并通过多国的道路损坏图像数据集进行训练,扩展了损坏分类范围,并与YOLO8、YOLO9和YOLO10等先进模型相比具有更高的精度和推断速度,达到高达136FPS的帧率,适用于实时应用,该研究进一步验证了部分注意力块的有效性,突出了YOLO9tr在实时道路状况监测中的潜力,为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。
Jun, 2024
本研究解决了传统铺路条件评估方法中定量与定性描述缺乏的问题,提出了一种新的多模态框架PaveCap。该框架结合了单次PCI估算网络和密集描述网络,实现对铺路条件的自动化评估,显著提高了基础设施管理与决策的效率。
Aug, 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