基于深度学习的车辆路裂检测：用于综合评估现有算法的全新在线基准
计算机视觉与模式识别
2025-03-25 v1 图像与视频处理
摘要
在城市数字孪生（UDTs）领域，发展具备自动路裂检测系统的智能路检车辆，对维护民用基础设施至关重要。过去十年间，基于深度学习的路裂检测方法得以开发，用以更高效、更准确、更客观地检测路裂，目标是取代人工目视检查。然而，缺乏对国际前沿深度学习技术，尤其是数据融合与标签高效算法的系统性综述。本文全面综述了国际前沿基于深度学习的算法，包括（1）监督式方法、（2）无监督式方法、（3）半监督式方法及（4）弱监督式方法，用于路裂检测。此外，我们创建了一个名为UDTIRI-Crack的数据集，包含来自七个公开标注来源的2,500张高质量图像，作为该领域首个广泛在线基准。进行全面实验，比较公开国际前沿深度学习算法在路裂检测中的检测性能、计算效率与泛化能力。此外，探讨了基础模型和大语言模型（LLM）在路裂检测中的可行性。随后，讨论了基于深度学习的路裂检测算法的现有挑战与未来发展趋势。我们相信本综述可为开发具备下一代路况评估系统的智能路检车辆提供实用指导。已发布的基准UDTIRI-Crack可在https://udtiri.com/submission/访问。
引用
@article{arxiv.2503.18082,
title = {Vehicular Road Crack Detection with Deep Learning: A New Online Benchmark for Comprehensive Evaluation of Existing Algorithms},
author = {Nachuan Ma and Zhengfei Song and Qiang Hu and Chuang-Wei Liu and Yu Han and Yanting Zhang and Rui Fan and Lihua Xie},
journal= {arXiv preprint arXiv:2503.18082},
year = {2025}
}