基于双通道深度卷积网络的混凝土裂缝检测
计算机视觉与模式识别
2020-09-23 v1 图像与视频处理
摘要
由于循环荷载与疲劳应力会产生裂缝，影响各类土木基础设施的安全。如今，机器视觉正通过部分替代人工现场巡检，辅助我们对混凝土结构进行恰当的维护、监测与检查。本研究提出一种基于深度卷积神经网络（CNN）的裂缝检测方法，可在不显式计算缺陷特征的情况下检测混凝土裂缝。在研究过程中，我们建立了一个包含3200张带标注混凝土裂缝图像的数据集，其中裂缝的对比度、光照条件、朝向与严重程度差异极大。本文从以这些256×256像素分辨率图像训练的深度CNN出发，通过识别难点逐步优化模型。利用考虑了与无人机视频相容的变化与退化（如随机缩放、旋转与强度缩放）的增广数据集，并辅以详尽的消融实验，我们设计了一种双通道深度CNN，在真实场景中检测混凝土裂缝时表现出高精度（约92.25%）与鲁棒性。该模型基于性能进行了测试，并借助特征图加以分析，从而确立了双通道结构的重要性。
引用
@article{arxiv.2009.10612,
title = {Detection Of Concrete Cracks using Dual-channel Deep Convolutional Network},
author = {Babloo Kumar and Sayantari Ghosh},
journal= {arXiv preprint arXiv:2009.10612},
year = {2020}
}
备注
7 pages, 7 figures, Accepted and presented in IEEE-ICCCNT 2020 (https://11icccnt.com/)