基于深度学习框架的结构裂缝检测

结构裂缝检测是确保公共安全的关键任务，因为它有助于防止可能危及生命的结构失效。经验不足人员的手动检测方法缓慢、一致性差，容易出错，可能影响评估的可靠性。当前研究通过引入一种新型深度学习架构来解决这些挑战，以增强结构裂缝检测的准确性和效率。在本研究中，利用了各种残差 U-Net 模型的配置。由于这些模型在捕捉细节方面具有鲁棒性，这些模型进一步集成到一个由卷积块组成的元模型组成的集成体中。这种独特的组合旨在超越单个模型所能实现的预测效率。对该集成体的性能进行了评估，与众多 established architecture 如 SegNet 和传统 U-Net 进行了比较。结果表明，残差 U-Net 模型优于其前身，特别是在低分辨率图像方面，集成模型超越了单个模型的性能，证明其为最有效。评估基于交并比 (IoU) 指标和 DICE 系数。集成模型取得最高得分，表明其准确性更高。这一进展为更可靠的自动化系统在结构缺陷监控任务中提供了可能的途径。