CrackESS: 一种面向边缘设备的自提示裂缝分割系统
计算机视觉与模式识别
2025-03-12 v3 机器学习
机器人学
摘要
结构健康监测(SHM)是基础设施维护的一种可持续且必不可少的方法，能够实现结构缺陷的早期检测。利用计算机视觉(CV)方法进行自动化基础设施监测可以显著提升监测效率和精度。然而，这些方法在效率和准确性方面经常面临挑战，尤其是在复杂环境中。近期的基于CNN的方法和基于SAM的方法在裂缝分割中展现了优异的性能，但其高计算需求限制了其在边缘设备上的应用。本文介绍了CrackESS，一个用于检测和分割混凝土裂缝的新型系统。该方法首先利用YOLOv8模型进行自提示，然后利用基于LoRA微调的SAM模型进行裂缝分割，最后通过提出的裂缝掩码细化模块(CMRM)细化分割掩码。我们在三个数据集（Khánh Hà数据集、Crack500、CrackCR）上进行了实验，并在攀爬机器人系统上验证了CrackESS，以展示我们方法的优势和有效性。
引用
@article{arxiv.2412.07205,
title = {CrackESS: A Self-Prompting Crack Segmentation System for Edge Devices},
author = {Yingchu Wang and Ji He and Shijie Yu},
journal= {arXiv preprint arXiv:2412.07205},
year = {2025}
}