优化CNN通过边缘增强的多尺度功能融合来进行路面应急检测
Jinwen Wang1, Xiaowei Li1, Yong Xu2
1Department of Rail Transportation, Shandong Jiaotong University, Jinan, China.
PloS one
|April 9, 2025
概括
本研究引入了边缘增强多尺度特征融合 (EE-MSFF) 机制,以改进基于深度学习的道路裂检测. 该方法增强了边缘信息,在复杂的道路环境中显著提高了准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 土木工程 土木工程是指土木工程.
背景情况:
- 自动道路裂检测使用深度学习,但与复杂的背景和噪音作斗争.
- 现有的方法缺乏稳定性和通用性,影响了分类准确性.
研究的目的:
- 开发一种新的深度学习方法,用于强大的道路裂检测.
- 提高道路损坏分类模型在具有挑战性的环境中的准确性和稳定性.
主要方法:
- 集成传统的边缘检测技术 (Sobel,Prewitt,Laplacian) 与深度卷积神经网络 (DCNNs).
- 拟议的边缘增强多尺度特征融合 (EE-MSFF) 机制用于多尺度边缘信息提取和融合.
- 利用多尺度的受体场来捕捉本地和全球裂纹特征,更好地关注受损地区.
主要成果:
- 在复杂背景RDD2020数据集上实现了88.68%的分类准确度.
- 在Concrete_Data_Week3数据集上达到99.5%的准确性,背景干扰最小.
- 废弃性研究证实了通过整合多尺度边缘特征来改善性能.
结论:
- EE-MSFF机制有效地减轻了背景噪声,并加强了裂区域的关注.
- 拟议的方法证明了道路损坏分类的改进的稳定性和通用性.
- 边缘增强的深度学习为准确和稳定的道路检查提供了一个有希望的方向.
