KrakN：面向基础设施维护中细微裂缝检测的迁移学习框架
计算机视觉与模式识别
2021-11-30 v2 神经与进化计算
摘要
监测基础设施的技术状况是其维护的关键环节。当前应用的方法过时、劳动密集且不精确。同时，使用人工智能技术的最新方法由于两个主要因素——新数据集的密集采集和对计算能力的高需求——在应用中受到严重限制。我们提议利用定制框架 KrakN 来克服这些限制因素。它支持在数字图像上开发独特的基础设施缺陷检测器，达到 90% 以上的准确率。该框架支持半自动创建新数据集，且对计算能力要求不高。它以现成软件包的形式实现并公开分发。因此，无论财政能力如何，政府机构都可在基础设施管理过程中立即实施本文提出的方法。
引用
@article{arxiv.2004.12337,
title = {KrakN: Transfer Learning framework for thin crack detection in infrastructure maintenance},
author = {Mateusz Żarski and Bartosz Wójcik and Jarosław Adam Miszczak},
journal= {arXiv preprint arXiv:2004.12337},
year = {2021}
}
备注
23 pages, 15 figures and flowcharts, software available at https://github.com/MatZar01/KrakN, https://doi.org/10.5281/zenodo.3764697, and https://doi.org/10.5281/zenodo.3755452, dataset available from https://doi.org/10.5281/zenodo.3759845