基于 Transformer 与 UNet 深度学习模型的路面裂缝检测
计算机视觉与模式识别
2023-04-26 v1
摘要
裂缝是建筑、道路等工程结构的主要失效模式之一。有效检测表面裂缝对损伤评估和结构维护具有重要意义。近年来，深度学习技术的出现与发展为表面裂缝检测展现了巨大潜力。目前，多数已报道的任务由卷积神经网络（CNN）完成，而 CNN 的局限性可由近期引入的 transformer 架构加以改善。在本研究中，我们考察了九种有前景的模型，通过模型精度、计算复杂度和模型稳定性评估它们在路面表面裂缝检测中的性能。我们创建了 711 张带有裂缝标签的 224×224 像素图像，选取了最优损失函数，比较了验证集与测试集的评估指标，分析了数据细节，并检视了各模型的分割结果。我们发现，基于 transformer 的模型通常在训练过程中更易收敛且精度更高，但往往表现出更高的内存消耗和较低的处理效率。在九种模型中，SwinUNet 优于另外两种 transformer 模型，并在九种模型中取得最高精度。研究结果应为各类深度学习模型的表面裂缝检测提供启示，并为该领域未来的应用提供指导。
引用
@article{arxiv.2304.12596,
title = {Detection of Pavement Cracks by Deep Learning Models of Transformer and UNet},
author = {Yu Zhang and Lin Zhang},
journal= {arXiv preprint arXiv:2304.12596},
year = {2023}
}