基于可见光视觉图像的路面表面裂缝检测与识别深度学习方法的进展
计算机视觉与模式识别
2022-11-17 v2 图像与视频处理
摘要
相较于工程结构裂缝的无损检测与健康监测方法，基于可见光图像的表层裂缝检测或识别具有非接触、速度快、成本低和精度高的优势。首先，收集了典型的路面（含混凝土）裂缝公开数据集，并总结了样本图像的特征以及环境、噪声与干扰等随机变量因素。随后，比较了三种主要裂缝识别方法（即手工特征工程、机器学习、深度学习）的优缺点。最后，从模型架构、测试性能与预测有效性方面，综述了可便捷部署于嵌入式平台的典型深度学习模型（包括自建 CNN、迁移学习（TL）和编码器-解码器（ED））的发展与进展。基准测试表明：1）已能在嵌入式平台上实现实时像素级裂缝识别：使用 ED 方法（即 FPCNet）或基于 InceptionV3 的 TL 方法，单幅图像样本的整个裂缝检测平均耗时小于 100ms；基于 MobileNet（轻量级骨干基网络）的 TL 方法可降至小于 10ms。2）在精度方面，在易于人眼辨识的 CCIC 上可达 99.8% 以上；在部分样本难以辨识的 SDNET2018 上，FPCNet 可达 97.5%，而 TL 方法接近 96.1%。据我们所知，本文首次全面总结了路面裂缝公开数据集，并综述与评估了面向嵌入式平台的表面裂缝检测与识别深度学习方法的性能与有效性。
引用
@article{arxiv.2012.14704,
title = {Advances in deep learning methods for pavement surface crack detection and identification with visible light visual images},
author = {Kailiang Lu},
journal= {arXiv preprint arXiv:2012.14704},
year = {2022}
}
备注
15 pages, 14 figures, 11 tables