基于实例分割的像素级路面损害评估
计算机视觉与模式识别
2026-05-26 v1
摘要
自动化路面损害评估需要超过图像级别的分类或粗糙的边界框检测，要求精确定位细小、分支且不规则的裂缝，以实现维修相关定量化所需的几何精度。本文提出一种基于 Mask R-CNN 实例分割的路面损害分析系统，并在 UWGB-StreetCrack 数据集上进行评估。该数据集是使用车载智能手机收集的道路图像，采用多边形标签手动标注了纵向裂缝、横向裂缝、全igator 裂缝和洞坑。在一致的微调协议下，考虑了五种基于 Detectron2 的 Mask R-CNN 主干模型变体。表现最佳的模型即使用 ResNet-101 FPN 主干的 Mask R-CNN，在项目特定的边界框匹配协议下实现 84.23% 的精确率、90.04% 的召回率和 87.04% 的 F1 分数。该模型产生的综合预测裂缝面积比为 2.164%，与 2.170% 的真实裂缝面积比相吻合。为将分割系统与基于检测器的替代方案进行比较，我们也针对该数据集改进并重新训练了基于 CSPDarknet53 的 YOLO 检测器，达到了 27.5% 的精确率和 20.7% 的召回率。结果表明，实例分割是场地路面图像和综合裂缝面积估计的实用方法，同时也暴露了标注一致性、类别不平衡、混杂因子剔除和掩码级基准测试等开放挑战。
引用
@article{arxiv.2605.26095,
title = {Pixel-Level Pavement Distress Assessment Using Instance Segmentation},
author = {Logan Dewick and Bibesh Pyakurel and Kong Pheng Yang and Nazim Choudhury and M. G. Sarwar Murshed},
journal= {arXiv preprint arXiv:2605.26095},
year = {2026}
}
备注
7 pages, 6 figures