基于光流深度神经网络的沥青混凝土试件裂缝扩展自动测量
计算机视觉与模式识别
2023-03-13 v1
摘要
本文提出一种称为 CrackPropNet 的深度神经网络，用于测量沥青混凝土（AC）试件上的裂缝扩展。它利用开裂试验期间采集的图像，为裂缝扩展测量提供了一种准确、灵活、高效且低成本的解决方案。CrackPropNet 与传统深度学习网络有显著不同，其通过学习在参考图像和变形图像中匹配不同位置的特征来定位位移场不连续点。我们构建了一个表征 AC 多样化开裂行为的图像库用于监督训练。CrackPropNet 在测试数据集上以 26 帧/秒的运行速度取得了最优数据集尺度 F-1 值 0.755 和最优图像尺度 F-1 值 0.781。实验表明，中低水平高斯噪声对 CrackPropNet 的测量精度影响有限。此外，该模型在本质不同的图像上展现出良好的泛化能力。作为一种裂缝测量技术，CrackPropNet 能够在 AC 开裂试验中准确高效地检测复杂裂缝模式。它可用于表征开裂现象、评估 AC 开裂潜力、验证试验协议以及校验理论模型。
引用
@article{arxiv.2303.05957,
title = {Automated crack propagation measurement on asphalt concrete specimens using an optical flow-based deep neural network},
author = {Zehui Zhu and Imad L. Al-Qadi},
journal= {arXiv preprint arXiv:2303.05957},
year = {2023}
}