用于自动路面裂缝检测与测量的深度卷积神经网络集成方法
计算机视觉与模式识别
2020-02-11 v1 机器学习
图像与视频处理
摘要
自动路面裂缝检测与测量是重要的道路问题。各机构必须保证道路安全性的改善。传统的裂缝检测与测量算法可能极其耗时且效率低。因此，近年来创新算法已受到研究人员的日益关注。在本文中，我们提出了一种基于概率融合的卷积神经网络（无池化层）集成方法，用于自动路面裂缝检测与测量。具体而言，采用卷积神经网络集成来从原始图像中识别小裂缝的结构。其次，将集成中各个卷积神经网络模型的输出进行平均，以产生每个像素的最终裂缝概率值，从而获得预测的概略图。最后，利用骨架提取算法测量裂缝的预测形态学特征。为验证所提方法，在两个公共裂缝数据库（CFD和AigleRN）上进行了若干实验，并与不同最先进方法的结果进行了比较。实验结果表明，所提方法优于其他方法。对于裂缝测量，可根据不同裂缝类型（复杂、普通、细窄和交叉裂缝）测量裂缝长度和宽度。结果表明，所提算法可有效应用于裂缝测量。
引用
@article{arxiv.2002.03241,
title = {Ensemble of Deep Convolutional Neural Networks for Automatic Pavement Crack Detection and Measurement},
author = {Zhun Fan and Chong Li and Ying Chen and Paola Di Mascio and Xiaopeng Chen and Guijie Zhu and Giuseppe Loprencipe},
journal= {arXiv preprint arXiv:2002.03241},
year = {2020}
}