基于分层损伤信息的结构损伤检测 with 体积评估
计算机视觉与模式识别
2025-01-16 v2
摘要
结构健康监测(SHM)对于确保基础设施的安全性和寿命至关重要，但复杂的图像环境、噪声标签以及依赖人工损伤评估往往会阻碍其效果。本研究引入引导式检测网络(Guided-DetNet)，旨�解决上述挑战。Guided-DetNet由生成注意力模块(GAM)、分层消除算法(HEA)和体积轮廓可视化评估(VCVA)构成。GAM利用横向和垂直交叉补丁合并以及前景-背景特征融合，以生成多样化特征以缓解复杂图像环境。HEA利用类别间的分层关系来消除不太可能的类别实例，从而针对给定图像细化实例。VCVA通过体积表示和量化，借助狄拉克δ分布评估检测到的损伤严重程度。对PEER Hub数据集进行了综合定量研究和两项鲁棒性测试，并进行了一次现场实验以验证无人机应用，论证了Guided-DetNet的前景表现。在三分类任务中，该框架达到了96%的准确率，较最新SOTA分类器提升了最高3%。在双检测任务中，其精度达94%，平均精度(mAP)达79%，同时保持57.04fps的帧率，适用于实时应用。此外，鲁棒性测试显示其在恶劣条件下也表现出鲁棒性，精度得分范围为79%至91%。Guided-DetNet被确立为SHM领域的稳健且高效的框架，为自动化和精度提升提供了突破，具有广泛应用于无人机基础设施检查的潜力。
引用
@article{arxiv.2407.19694,
title = {Structural damage detection via hierarchical damage information with volumetric assessment},
author = {Isaac Osei Agyemang and Isaac Adjei-Mensah and Daniel Acheampong and Gordon Owusu Boateng and Adu Asare Baffour},
journal= {arXiv preprint arXiv:2407.19694},
year = {2025}
}