基于卷积神经网络的深度学习用于建筑缺陷检测
计算机视觉与模式识别
2019-08-14 v1 人工智能
机器学习
机器学习
摘要
客户越来越寻求快速有效的手段来频繁且迅速地调查并沟通其建筑的状态，以便在问题变得过于危险和昂贵之前，主动且及时地开展必要的维修与维护工作。此类工作的传统方法通常包括聘请建筑测量师进行状况评估，这涉及漫长的现场巡检，以系统记录建筑构件的物理状况，含立即及预计长期更新、修理和维护费用的成本估算。当前的资产状况评估程序极为耗时、费力且昂贵，并对测量师构成健康与安全威胁，尤其在难以到达的高度和屋面层。本文旨在评估卷积神经网络（CNN）从图像中自动检测与定位关键建筑缺陷（如霉菌、劣化与污渍）的应用。所提模型基于预训练的 VGG-16 CNN 分类器（后与 ResNet-50 及 Inception 模型比较），并采用类激活映射（CAM）进行目标定位。已识别该模型在现实应用中的挑战与局限。所提模型已被证明具有鲁棒性，能够准确检测并定位建筑缺陷。该方法正在开发中，具有扩展潜力并可进一步推进，以借助移动设备与无人机支持建筑缺陷与劣化的实时自动检测。
引用
@article{arxiv.1908.04392,
title = {Deep Learning for Detecting Building Defects Using Convolutional Neural Networks},
author = {Husein Perez and Joseph H. M. Tah and Amir Mosavi},
journal= {arXiv preprint arXiv:1908.04392},
year = {2019}
}
备注
29 pages, 11 figures