基于合成点云的增强混凝土桥实例分割
在本研究中，我们基于视觉变换器和拉普拉斯金字塔缩放网络开发了一个语义分割网络，用于高效解析高分辨率的视觉检测图像。通过在桥梁检测报告图像数据集上进行全面的实验评估，我们的提出的框架在像素级材料检测方面具有广泛的应用价值。
Aug, 2023
通过使用新颖的计算机视觉和机器学习算法自动化检测过程，本研究提出了一种基于3D视觉的方法来准确检测砌体损伤，并展示了在结构砌体组件实验中该方法有效地分类、定位和量化关键损伤特征，并提高了砌体结构检测的自主性水平。
Aug, 2023
识别钢筋混凝土缺陷在评估混凝土桥梁的结构完整性、交通安全和长期耐久性方面起着至关重要的作用。本研究提出了一个名为'dacl10k'的多标签语义分割数据集，包括9,920张来自实际桥梁检查的图像，区分了12个损坏类别和6个关键桥梁组件，并提供了基线模型进行评估。最佳模型在测试集上达到了0.42的平均交叉并集。'dacl10k'数据集以及我们的基线模型将对研究人员和实践者开放，代表了目前在桥梁检查领域中图像数量和类别多样性方面最大的数据集。
Sep, 2023
通过使用多任务深度网络在欧几里德空间和嵌入空间中构建的点聚类方法来解决屋顶平面分割中边界问题，并构建了合成数据集和真实数据集验证了该方法的显著优越性。
Sep, 2023
识别钢筋混凝土缺陷（RCDs）对于确定桥梁的结构完整性、交通安全性和耐久性至关重要。本研究通过对多标签分类的建筑检查图像进行训练，提供了高度多样的RCD数据集“dacl1k”，并谨慎测试现有模型在该数据集上的可用性，结果表明最佳模型的准确匹配率为32%。
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
通过提供一个公开可用的具有标注分割标签的 14,805 张钢筋混凝土施工 RGB 图像数据集，对建筑行业的自动化机器人系统进行实验和分析，研究了数据可用性和标签一致性对模型性能的影响，结果表明模型的预测精确度较高，但需要更多数据来提高召回率，标签一致性对模型性能影响微乎其微，建议通过众包数据集来推动建筑行业中自动化机器人系统的发展。
Jul, 2024