基于迁移学习、空间注意力和遗传算法优化的基础设施裂纹检测
计算机视觉与模式识别
2024-11-27 v1
摘要
裂纹检测在道路、桥梁和建筑物等基础设施的维护与安全中发挥着关键作用，因为及时识别结构损坏可以防止事故并降低昂贵的维修成本。传统方法依赖人工检查，但其工作量大、主观性强且存在安全风险。本文提出一种基于深度学习的新型裂纹检测方法，结合迁移学习、空间注意力机制和遗传算法(Genetic Algorithm, GA)优化。为解决大规模数据不可获取的难题，我们采用ResNet50作为预训练模型，利用其强大的特征提取能力，减少对大量训练数据的依赖。我们在模型中引入空间注意力层，并通过GA对自定义神经网络的结构进行微调。综合案例研究表明，所提出的Attention-ResNet50-GA模型有效果，实现了0.9967的精确率和0.9983的F1分数，优于传统方法。结果表明，该模型在各种条件下均能准确检测裂纹，特别适用于数据标注匮乏的实际场景。
引用
@article{arxiv.2411.17140,
title = {Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization},
author = {Feng Ding},
journal= {arXiv preprint arXiv:2411.17140},
year = {2024}
}