基于随机分形的自动裂缝检测评估标准研究
计算机视觉与模式识别
2020-07-24 v1
摘要
合理的评估标准是基于深度学习有效模型构建的基础。然而，我们在实验中发现，基于深度学习的自动裂缝检测器被广泛使用的平均精度均值（mAP）标准明显低估。本文提出了一项关于评估标准的研究。文中阐明，裂缝的随机分形使得mAP标准失效，因为mAP计算中的严格边界框匹配对于分形特征是不合理的。作为解决方案，提出了一种称为CovEval的分形可用评估标准，以纠正裂缝检测中的低估。在CovEval中，采用了一种基于覆盖框匹配思想的不同的匹配过程来解决此问题。具体而言，设计了覆盖面积率（CAr）作为覆盖重叠度，并采用多匹配策略以解除mAP中的一对一匹配限制。定义了扩展召回率（XR）、扩展精确率（XP）和扩展F值（Fext）用于对裂缝检测器评分。在使用若干常见目标检测框架的实验中，根据CovEval模型在裂缝检测中获得高得多的分数，这与视觉表现更吻合。此外，基于faster R-CNN框架，我们给出了一个基于CovEval标准优化裂缝检测器的案例研究。我们最佳模型的召回率（XR）达到了95.8的工业级水平，这意味着借助合理的评估标准，目标检测方法在自动工业检测方面具有巨大潜力。
引用
@article{arxiv.2007.12082,
title = {A Study on Evaluation Standard for Automatic Crack Detection Regard the Random Fractal},
author = {Hongyu Li and Jihe Wang and Yu Zhang and Zirui Wang and Tiejun Wang},
journal= {arXiv preprint arXiv:2007.12082},
year = {2020}
}