高效裂缝网:一种轻量化的裂缝分割模型
为了确保道路安全,需要进行路面裂缝检测。本研究提出一种基于深度学习的新型网络体系结构,称为特征金字塔和分层增强网络(FPHBN),以解决路面裂缝检测中的难题。实验表明,该方法在准确性和通用性方面优于现有的检测、边缘检测和语义分割方法。
Jan, 2019
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
该研究使用了六种卷积神经网络模型来进行道路裂缝的检测,并使用一个由14000个样本组成的新型真实二元裂缝数据集进行微调,观察数据集扩增的效果,并得出ResNet和VGG16模型具有最高精度为98%的结论。
Apr, 2023
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
基于深度学习的自动路面裂缝检测中,通过将闭环反馈嵌入神经网络,提出了CrackCLF模型,通过前端分割生成裂缝地图,并通过后端的多尺度损失函数修正标签和裂缝地图之间的高阶不一致性,从而解决了开环系统的问题,并在多个公共数据集上超越其他方法的结果表明了所提出的CrackCLF模型的优越性。
Nov, 2023
本论文采用各种深度学习模型,如VGG19、ResNet50、Inception V3和EfficientNetV2,在表面裂缝检测上进行了精细调整,并通过精确度、召回率和F1得分进行了比较。
Jan, 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
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
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