用于裂缝检测的特征保持与自动阈值调谐分层卷积神经网络
计算机视觉与模式识别
2021-04-22 v1 机器学习
摘要
无人机影像日益用于基础设施表面缺陷的自动化检测，尤其在危险或难以到达的环境中。在机器视觉中，裂缝检测的关键在于鲁棒且准确的图像处理算法。为此，本文提出一种利用特征保持分层卷积神经网络（HCNNFP）和用于图像二值化的对比迭代阈值算法的深度学习方法。首先，提出一组分支网络，其中先前卷积块的输出以一半尺寸拼接至当前块，以考虑整体信息损失并减少下采样阶段的遮挡。接下来，为提取增强 HCNN 生成的特征图，在后处理步骤开发了一种基于二值对比的自动调谐阈值（CBAT）方法，其中感兴趣模式在已识别特征的概率图内聚类。所提技术随后应用于识别道路、桥梁或铺面表面的表面裂缝。在多个数据集上与现有技术进行了广泛比较，并依据若干评价标准，包括本文引入用于动态量化性能的的平均 F 度量（AF\b{eta}）。在裂缝图像上的实验，包括由检查单轨桥梁的无人机捕获的图像。所提技术在多个测试数据集上优于现有方法，尤其对于 GAPs 数据集，AF\b{eta} 提升约 1.4%，而平均百分比误差下降 2.2%。该性能展示了所提 HCNNFP 架构用于表面缺陷检测的优势。
引用
@article{arxiv.2104.10511,
title = {Hierarchical Convolutional Neural Network with Feature Preservation and Autotuned Thresholding for Crack Detection},
author = {Qiuchen Zhu and Tran Hiep Dinh and Manh Duong Phung and Quang Phuc Ha},
journal= {arXiv preprint arXiv:2104.10511},
year = {2021}
}