裂纹全景分割：基于深度语义分割的裂纹检测适应方法
计算机视觉与模式识别
2025-04-22 v1
摘要
基于图像的裂纹检测算法在基础设施监测中日益受到关注，因为及时检测裂纹对于及时规划维护至关重要。尽管深度学习显著推动了裂纹检测算法的发展，但现有模型通常需要大量标注数据集和高计算成本才能实现跨条件的适应性。本研究引入一种高效选择性微调策略，专注于调整归一化组件，以增强分割模型用于裂纹检测的适应性。该方法应用于Segment Anything Model (SAM)以及五个 established 分割模型。实验结果表明，仅对归一化参数进行选择性微调可在性能和计算效率方面超过完整微调和其他常见微调技术，同时提升泛化能力。该方法构建了一个基于SAM的模型，Segment Any Crack (SAC)，在OmniCrack30k基准数据集上实现61.22%的F1分数和44.13%的IoU，同时在三个零样本数据集上实现最高性能和最低标准差。结果凸显了该适应方法在提高分割准确性的同时显著降低计算开销的有效性。
引用
@article{arxiv.2504.14138,
title = {Segment Any Crack: Deep Semantic Segmentation Adaptation for Crack Detection},
author = {Ghodsiyeh Rostami and Po-Han Chen and Mahdi S. Hosseini},
journal= {arXiv preprint arXiv:2504.14138},
year = {2025}
}