基于多阶段特征融合和纹理意识方法检测道路裂纹图像
Maozu Guo1,2, Wenbo Tian1,2, Yang Li1,2
1School of Electrical and Information Engineering, Beijing University of Civil Engineering and Architecture, Beijing 102616, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
本研究介绍了FetNet,这是一种使用Swin变压器检测道路裂的深度学习方法. FetNet在道路裂细分方面实现了高精度,改善了交通基础设施检查.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 土木工程 土木工程是指土木工程.
背景情况:
- 道路结构健康监测对于交通基础设施至关重要.
- 准确的道路裂检测和细分对于有效的检查至关重要.
- 现有的方法可能会在复杂的道路条件和特征提取方面扎.
研究的目的:
- 提出一个自动的像素级语义道路裂图像分割方法.
- 通过深度学习提高道路裂检测的准确性和通用性.
- 引入FetNet模型,利用Swin变压器进行改进的特征提取.
主要方法:
- 使用Swin变压器 (Swin-T) 作为从道路裂图像中进行多层次特征提取的支柱.
- 使用纹理单元来捕捉裂纹纹理和边缘特征.
- 集成精细化注意模块 (RAM) 和全景特征模块 (PFM) 用于特征合并和结果精细化.
主要成果:
- 在Crack500数据集上,FetNet实现了最先进的性能.
- 关键指标包括90.4%的精度,85.3%的回忆,87.9%的F1得分,78.6%的平均交叉点与工会.
- 与其他先进模型相比,证明了较高的裂细分精度和通用性.
结论:
- 该FetNet方法显著推进了自动道路裂细分.
- 该模型在复杂的道路场景中表现出色,验证了其实际适用性.
- FetNet为道路基础设施的结构健康监测提供了一个强大的解决方案.
