利用双向级联神经网络提升路面裂缝分类
计算机视觉与模式识别
2025-03-31 v1
摘要
路面损伤，如裂缝和坑洞，是影响道路安全和维护的重要问题。在本研究中，我们实现和评估了双向级联神经网络(BCNN)用于路面裂缝图像的分类，遵循图像增强。我们将路面裂缝分为三个主要类别：linear裂缝、坑洞和疲劳裂缝，在使用U-Net 50进行图像增强后的数据集上进行分类。增强后的数据集包含599张图像。我们设计的BCNN模型利用正向和反向信息 flow，检测精度通过级联结构得以提升，该结构中每一层逐步细化前一层的输出。我们的模型实现了87%的总体准确率，precision、recall和F1-score措施表明该方法在各类别中效果显著。对于疲劳裂缝，模型在205张图像上记录precision为0.87、recall为0.83和F1-score为0.85。linear裂缝以precision为0.81、recall为0.89和F1-score为0.85检测。对于potholes，precision为0.96、recall为0.90和F1-score为0.93。macro和weighted average的precision、recall和F1-score完全相同，为0.88，证明了BCNN在分类复杂路面裂缝模式方面表现出色。这一研究表明BCNN有潜力显著提升路面损伤分类的准确性和可靠性，从而实现更有效和更高效的路面维护和管理系统。
引用
@article{arxiv.2503.21956,
title = {Enhancing Pavement Crack Classification with Bidirectional Cascaded Neural Networks},
author = {Taqwa I. Alhadidi and Asmaa Alazmi and Shadi Jaradat and Ahmed Jaber and Huthaifa Ashqar and Mohammed Elhenawy},
journal= {arXiv preprint arXiv:2503.21956},
year = {2025}
}