一种用于裂检测的自动化实例细分方法,与CrackMover数据增强集成
Mian Zhao1, Xiangyang Xu1, Xiaohua Bao2
1School of Rail Transportation, Soochow University, Suzhou 215006, China.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
本研究介绍了CrackMover,一种新的数据增强策略,以及一种新的实例细分方法,以改进自动道路裂检测. 这些进步显著提高了识别路面困境的准确性和效率,以提高道路安全.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 道路安全和维护在很大程度上依赖于准确的裂检测.
- 传统的裂检测方法效率低下,耗费大量劳动力.
- 现有的深度学习方法往往缺乏针对路面裂的强大本地化和细分能力.
研究的目的:
- 开发先进的深度学习技术,用于自动检测裂,并改进本地化和细分.
- 引入一个新的数据增强策略,CrackMover,以提高裂检测性能.
- 介绍一种新的实例细分方法,以更有效地识别路面危险.
主要方法:
- 提出了CrackMover,这是一个专门的数据增强策略,用于破裂检测.
- 开发了一种新的实例细分方法,采用重新设计的骨干网络.
- 在基于区域的卷积网络 (R-CNN) 组件中整合了级联结构.
主要成果:
- 在各种裂检测方法中,CrackMover证明了其有效性.
- 提出的实例细分方法实现了33.3%的平均精度.
- 这比使用ResNet50骨干的Mask R-CNN有8.6%的改进.
结论:
- 开发的CrackMover策略和实例细分方法显著改善了自动裂检测.
- 这些进步为识别路面裂困难提供了更有效的解决方案.
- 这些发现有助于通过先进的裂检测技术提高道路安全和维护.
更多相关视频
12:08From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data
Published on: August 13, 2014
24.6K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.1K
