基于深度学习方法的混凝土结构多时相裂缝分割
计算机视觉与模式识别
2025-10-01 v2 图像与视频处理
摘要
裂缝是混凝土结构劣化的最早迹象之一。对这些裂缝的早期自动检测可以显著延长桥梁、建筑和隧道等关键基础设施的使用寿命，同时降低维护成本并促进高效的结构健康监测。本研究探讨利用多时相数据进行裂缝分割是否能提升分割质量。因此，我们比较了基于多时相数据训练的 Swin UNETR 与基于单时相数据训练的 U-Net，以评估时序信息相对于传统单 epoch 方法的效果。为此，构建了一个包含 1356 张图像的多时相数据集，每张图像包含 32 张连续裂缝传播图像。模型训练后，进行了泛化能力、时序一致性和分割质量的实验分析。多时相方法始终优于其单时相对应方法，在可训练参数仅为后者一半的情况下，实现了 82.72% 的 IoU 和 90.54% 的 F1-score，显著优于单时相模型的 IoU 76.69% 和 F1-score 86.18%。多时相模型还表现出更一致的分割质量，噪声更少、误差更少。这些结果表明时序信息显著提升了分割模型的性能，为改进裂缝检测和混凝土结构的长期监测提供了有前景的解决方案，即使在有限序列数据条件下也是如此。
引用
@article{arxiv.2411.04620,
title = {Multi-temporal crack segmentation in concrete structures using deep learning approaches},
author = {Said Harb and Pedro Achanccaray and Mehdi Maboudi and Markus Gerke},
journal= {arXiv preprint arXiv:2411.04620},
year = {2025}
}