基于视觉图像的深度学习路面裂缝识别方法评估与比较
计算机视觉与模式识别
2022-11-17 v1 人工智能
摘要
与接触式检测技术相比，通过深度学习算法利用视觉图像进行路面裂缝识别具有不受被测物材料限制、速度快和成本低等优点。本文首先回顾了迁移学习（TL）、编码器-解码器（ED）、生成对抗网络（GAN）及其常用模块的基础框架与典型模型架构，随后总结了卷积神经网络（CNN）骨干模型与 GAN 模型的演进。在 SDNET2018 和 CFD 公共数据集上测试了裂缝分类、分割性能与效果。在块样本分类方面，微调的 TL 模型在准确率上可与 ED 模型相当甚至略优，且预测时间更快；在精确裂缝定位方面，ED 与 GAN 算法均可实现像素级分割，并有望在低算力平台上实时检测。此外，提出了一种结合 TL-SSGAN 的弱监督学习框架及其性能增强措施，可在大幅减少所需标注样本数量的同时，保持与监督学习相当的裂缝识别性能。
引用
@article{arxiv.2112.10390,
title = {Evaluation and Comparison of Deep Learning Methods for Pavement Crack Identification with Visual Images},
author = {Kai-Liang Lu},
journal= {arXiv preprint arXiv:2112.10390},
year = {2022}
}
备注
This work will be submitted for possible publication. It is a further study from 2012.14704v2