数据驱动的混凝土结构损伤检测与评估：利用深度学习与计算机视觉
计算机视觉与模式识别
2025-01-22 v1 人工智能
机器学习
摘要
结构完整性对于维护桥梁、隧道和墙体等混凝土基础设施的安全性和使用寿命至关重要。检测裂缝和剥落等损伤的传统方法劳动密集、耗时且容易出错。为应对这些挑战，本研究探索了使用深度学习进行自动化损伤检测和分析的先进数据驱动技术。我们使用一个包含 400 张图像的数据集，通过几何和色彩变换将其增强至 10,995 张图像以提升鲁棒性，对两种最先进的实例分割模型——YOLO-v7 实例分割和 Mask R-CNN——进行了评估。数据集按 90% 训练集、10% 验证集和测试集的比例划分，用于模型的训练和验证。评估使用了精确率、召回率、平均精度均值（[email protected]）和每秒帧数（FPS）等性能指标。YOLO-v7 取得了 96.1% 的优异 [email protected]，处理速度达到 40 FPS，优于 Mask R-CNN，后者 [email protected] 为 92.1%，处理速度较慢，为 18 FPS。研究结果推荐将 YOLO-v7 实例分割模型用于实时、高速的结构健康监测，而 Mask R-CNN 更适合详细的离线评估。本研究展示了深度学习革新基础设施维护的潜力，为自动化损伤检测提供了一种可扩展且高效的解决方案。
引用
@article{arxiv.2501.11836,
title = {Data-driven Detection and Evaluation of Damages in Concrete Structures: Using Deep Learning and Computer Vision},
author = {Saeid Ataei and Saeed Adibnazari and Seyyed Taghi Ataei},
journal= {arXiv preprint arXiv:2501.11836},
year = {2025}
}
备注
17 pages, 10 figures. This study focuses on the data-driven detection and evaluation of damages in concrete structures using deep learning and computer vision techniques