synth-dacl: Does Synthetic Defect Data Enhance Segmentation Accuracy and Robustness for Real-World Bridge Inspections?
计算机视觉与模式识别
2025-06-18 v1
摘要
桥梁检测在许多国家日益具有挑战性，由于老化桥梁数量不断增加，加上人员和资金资源不足。自动化处理视觉桥梁检测中的关键任务——在像素级别对缺陷和构件部件进行分类——可提高效率，提高准确性，并增强检测过程及其结果建筑评估的安全性。必须能够处理各种实际场景的模型，必须对图像质量变化以及背景纹理具有鲁棒性，因为缺陷常常出现在纹理多样且程度不同且受天气侵蚀的表面上。dacl10k 是真实世界混凝土桥梁检测中最大且最具多样性的数据集。然而，该数据集存在类别不平衡，导致尤其是在分割细粒度类别（如裂缝和空洞）时模型性能显著下降。本工作引入"synth-dacl"，这是一套基于合成混凝土纹理的三个新型数据集扩展，旨在平衡dacl10k的类别分布并提升模型性能，尤其是针对裂缝和空洞的分割。在包含synth-dacl扩展的dacl10k训练的模型，相对于仅使用dacl10k训练的模型，在15个扰动测试集上实现显著提升。值得注意的是，在扰动测试集上，训练dacl10k并添加所有合成扩展的数据集的模型在平均 IoU、F1 分数、召回率和精确率上均提升了2%。
引用
@article{arxiv.2506.14255,
title = {synth-dacl: Does Synthetic Defect Data Enhance Segmentation Accuracy and Robustness for Real-World Bridge Inspections?},
author = {Johannes Flotzinger and Fabian Deuser and Achref Jaziri and Heiko Neumann and Norbert Oswald and Visvanathan Ramesh and Thomas Braml},
journal= {arXiv preprint arXiv:2506.14255},
year = {2025}
}