基于深度学习与视觉解释的隧道裂缝自动分类与分割
计算机视觉与模式识别
2025-07-21 v1
摘要
隧道衬砌裂缝是隧道安全状况的重要指标。旨在以更高的准确率和效率对隧道裂缝进行分类与分割,本研究提出了一种两步深度学习方法。第一步使用 DenseNet-169 开发了自动隧道图像分类模型。第二步提出的裂缝分割模型基于 DeepLabV3+,其内部逻辑通过分数加权视觉解释技术进行评估。所提方法将隧道图像分类与分割相结合,使第一步中筛选出的含裂缝图像在第二步中进行分割,以提高检测准确率和效率。实验验证了两步法的优越性能。结果表明,隧道裂缝分类模型的准确率和每秒帧数 (FPS) 分别为 92.23% 和 39.80,高于其他基于卷积神经网络 (CNN) 和基于 Transformer 的模型。同时,隧道裂缝分割模型的交并比 (IoU) 和 F1 分数分别为 57.01% 和 67.44%,优于其他 SOTA 模型。此外,本研究提供的视觉解释有助于理解基于深度学习模型的“黑箱”。所开发的集成视觉解释的两阶段深度学习方法为快速、准确地定量评估隧道健康状况提供了基础。
引用
@article{arxiv.2507.14010,
title = {Automatic Classification and Segmentation of Tunnel Cracks Based on Deep Learning and Visual Explanations},
author = {Yong Feng and Xiaolei Zhang and Shijin Feng and Yong Zhao and Yihan Chen},
journal= {arXiv preprint arXiv:2507.14010},
year = {2025}
}
备注
8 pages, 10 figures, 3 tables