基于卷积深度学习模型的混凝土表面裂缝检测
计算机视觉与模式识别
2024-01-17 v1 机器学习
图像与视频处理
摘要
有效的裂缝检测对于建筑物的结构健康监测与检查至关重要。由于裂缝固有的细微特性，其往往呈现低级特征，容易与背景纹理、异物或施工不规则性混淆，因此该任务对计算机视觉技术构成了巨大挑战。此外，光照不均和施工不规则等问题的存在，也为建筑物检查与监测期间的自主裂缝检测带来了显著障碍。卷积神经网络（CNNs）已成为一种颇具前景的裂缝检测框架，能够提供高水平的准确度和精确度。同时，通过迁移学习适配预训练网络的能力为用户提供了宝贵工具，无需深入理解算法细节。然而，在部署 CNN 时，必须认识到其局限性与注意事项，尤其是在结果意义重大的场景中，例如建筑物裂缝检测。本文中，我们的表面裂缝检测方法涉及多种深度学习模型的运用。具体而言，我们在预训练的深度学习架构 VGG19、ResNet50、Inception V3 和 EfficientNetV2 上采用微调技术。选择这些模型是因为它们在图像分析任务中具有公认的性能和通用性。我们使用精确率、召回率和 F1 分数对深度学习模型进行比较。
引用
@article{arxiv.2401.07124,
title = {Concrete Surface Crack Detection with Convolutional-based Deep Learning Models},
author = {Sara Shomal Zadeh and Sina Aalipour birgani and Meisam Khorshidi and Farhad Kooban},
journal= {arXiv preprint arXiv:2401.07124},
year = {2024}
}
备注
11 pages, 3 figures, Journal paper