基于深度学习和特征金字塔网络的桥梁主梁疲劳裂纹检测
计算机视觉与模式识别
2024-10-29 v1 人工智能
摘要
对于结构健康监测而言，连续且自动的裂纹检测一直是一个具有挑战性的问题。本研究旨在提出一个从包含钢箱梁桥裂纹信息的高分辨率图像中自动分割裂纹的框架。考虑到裂纹的多尺度特征，我们提出了用于裂纹检测的特征金字塔网络（FPN）卷积神经网络架构。在输入方面，通过两种方法（缩小图像尺寸和将图像分割为子图像）处理了120张原始图像。然后，开发了具有所提出的FPN结构的裂纹检测模型。结果表明，所有开发的模型都能自动检测原始图像中的裂纹。通过缩小图像尺寸，在不降低精度的情况下提高了计算效率。由于裂纹具有可分离的特性，使用分割方法的模型比使用缩放方法的模型提供了更精确的裂纹分割。因此，对于高分辨率图像，FPN结构与分割方法相结合是裂纹分割与检测的一种有前景的解决方案。
引用
@article{arxiv.2410.21175,
title = {Deep Learning-Based Fatigue Cracks Detection in Bridge Girders using Feature Pyramid Networks},
author = {Jiawei Zhang and Jun Li and Reachsak Ly and Yunyi Liu and Jiangpeng Shu},
journal= {arXiv preprint arXiv:2410.21175},
year = {2024}
}
备注
15 pages, 11 figures