用于基础设施维护的深度学习框架：基础设施表面的裂缝检测与高分辨率成像
计算机视觉与模式识别
2025-06-03 v2 人工智能
图像与视频处理
摘要
近来，应用搭载相机传感器的无人机等尖端数据采集平台进行基础设施资产管理已形成一股推动力。然而，传感器特性、与结构的接近度、难以到达的访问以及环境条件常常限制了数据集的分辨率。少数研究使用超分辨率技术来解决低分辨率图像的问题。然而，这些技术被观察到会增加计算成本，并因考虑所有基础设施图像（即正类和负类损伤）而增加损伤检测的误报。为解决误报的预处理问题并实现高效的超分辨率，本研究开发了一个由卷积神经网络 (CNN) 和高效子像素卷积神经网络 (ESPCNN) 组成的框架。CNN 准确地对两类进行了分类。作为轻量级超分辨率技术的 ESPCNN，根据从 CNN 获得的正类损伤生成了高分辨率基础设施图像。在超分辨率的所有评估指标中，ESPCNN 的性能均优于双三次插值。基于性能指标，观察到 CNN 和 ESPCNN 的组合能有效预处理负类损伤的基础设施图像，减少了超分辨率下一步中的计算成本和误报。视觉检查显示，EPSCNN 能够捕捉裂缝扩展以及甚至微小裂缝的复杂几何形状。所提出的框架预期将帮助公路机构准确执行损伤检测，并协助高效的资产管理实践。
引用
@article{arxiv.2505.03974,
title = {Deep Learning Framework for Infrastructure Maintenance: Crack Detection and High-Resolution Imaging of Infrastructure Surfaces},
author = {Nikhil M. Pawar and Jorge A. Prozzi and Feng Hong and Surya Sarat Chandra Congress},
journal= {arXiv preprint arXiv:2505.03974},
year = {2025}
}
备注
Presented :Transportation Research Board 104th Annual Meeting, Washington, D.C