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

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

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

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

本研究解决了现有裂缝检测方法在整合局部纹理和像素依赖性方面的不足。我们提出了一种创新的阶梯级联融合裂缝分割网络（CrackSCF），该网络通过轻量级卷积模块有效捕捉裂缝的局部模式和长程依赖，显著减少了计算资源要求，并在多项指标上达到了最先进的性能，尤其是在处理背景噪声干扰和细节裂缝分割方面。

Aug, 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