SECrackSeg:一个基于拟议的UNet的高精度裂细分网络,带有SAM2 S-适配器和边缘感知注意力
Xiyin Chen1, Yonghua Shi1, Junjie Pang1
1School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
SECrackSeg 通过使用一种新的深度学习方法,增强了用于结构健康监测的裂细分. 它提高了准确性和边缘细节检测,超过了对基准数据集的现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 传统的裂细分方法在复杂的环境中扎.
- 深度学习模型面临的挑战包括不良的概括,功能丢失和不足的边缘细节捕获.
研究的目的:
- 开发SECrackSeg,一个高精度的裂细分网络.
- 为了解决概括,特征提取和边缘细节细分方面的局限性.
主要方法:
- 集成了一个改进的UNet架构与SegmentAnything Model 2 (SAM2),MI-Upsampling和边缘意识的注意力.
- 使用SAM2 S-Adapter与结的骨干来实现低数据通用化.
- 采用多尺度扩展卷积 (MSDC) 进行多尺度特征融合.
- 实施MI-Upsampling以最大限度地减少在上采样过程中的特征损失.
- 应用边缘感知注意力机制来精确划分裂纹边缘.
- 使用自定义损失函数,加权二进制交叉和加权IOU损失.
- 整合多颗粒度监督以提高图像尺度的稳定性.
主要成果:
- 在CFD,Crack500和DeepCrack数据集上,SECrackSeg表现出卓越的表现.
- 与最先进的模型相比,实现了更高的精度,回忆,F1得分和mIoU.
- 在细粒度特征识别和边缘细分方面展示了卓越的能力.
结论:
- SECrackSeg为裂细分提供了强大而准确的解决方案.
- 提出的方法有效地解决了基于深度学习的裂检测的关键挑战.
- 该模型显示了结构健康监测和基础设施维护的巨大潜力.
