基于计算机视觉与深度学习的接缝损伤自动量化
计算机视觉与模式识别
2020-10-30 v1
摘要
接缝散裂或剥落损伤(以下称为接缝损伤)会影响混凝土路面的安全性与长期性能。随着时间评估并量化接缝损伤十分重要,以协助制定维护行动计划、预测维护成本并最大化混凝土路面使用寿命。本文提出一种利用计算机视觉技术与深度学习(DL)算法、以低成本相机实现准确、自主且快速的接缝损伤量化框架。该 DL 模型用于训练 263 张含接缝损伤的锯切缝图像。训练后的 DL 模型用于对一系列查询 2D 图像中的接缝损伤进行像素级颜色掩膜,并利用开源运动恢复结构算法重建 3D 图像。另采用基于颜色阈值的损伤量化算法检测并计算 3D 重建图像中损伤的表面面积。该框架通过检查美国伊利诺伊州四处横向收缩缝(包括三处合格缝与一处不合格缝,经目视检查)的接缝损伤进行了验证。结果显示该框架达到 76% 召回率与 10% 误差。
引用
@article{arxiv.2010.15303,
title = {Automatic joint damage quantification using computer vision and deep learning},
author = {Quang Tran and Jeffery R. Roesler},
journal= {arXiv preprint arXiv:2010.15303},
year = {2020}
}