在移动道扫描系统中使用无参考图像质量评估优化基于深度学习的破解检测
Chulhee Lee1, Donggyou Kim1, Dongku Kim1
1Department of Geotechnical Engineering Research, Korea Institute of Civil Engineering and Building Technology (KICT), Goyang-Si 10223, Gyeonggi-Do, Republic of Korea.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
移动道扫描系统中的运动模糊显著降低了深度学习裂检测. 本研究引入了使用无参考图像质量评估的质量保证框架,以提高基础设施维护的模型可靠性.
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:
- 移动道扫描系统 (MTSS) 提供高效的检查.
- 高速度的运动模糊 (MB) 损害了深度学习裂检测的准确性.
- 可靠的裂检测对于智能基础设施维护至关重要.
研究的目的:
- 研究横向MB对MTSS图像中基于CNN的裂纹检测的影响.
- 提出以数据为中心的质量保证框架,使用无参考图像质量评估 (NR-IQA) 来优化模型性能.
- 确定有效的NR-IQA指标来评估MTSS数据中的MB.
主要方法:
- 故意将MB应用于公共和现实世界的MTSS数据集.
- 分析了ResNet,VGG和AlexNet模型中的性能变化.
- 将四个NR-IQA指标 (BRISQUE,NIQE,PIQE,CPBD) 与裂纹检测F1分数相关联.
- 开发了一个使用PIQE和CPBD值进行图像质量过的框架.
主要成果:
- 随着MB强度的增加,ResNet34 F1得分从89.43%降至4.45% .
- PIQE和CPBD与F1分数 (分别为-0.87和+0.82) 显示出强烈的相关性,表明适合水平MB.
- 使用PIQE ≤20和CPBD ≥0.8过低质量的图像,AlexNet F1得分提高了1.46%.
结论:
- 水平的MB显著降低了MTSS中基于CNN的裂纹检测.
- PIQE和CPBD是有效的NR-IQA指标来评估横向的MB.
- 拟议的以数据为中心的框架提高了MTSS数据质量,并优化了深度学习模型,以实现可靠的基础设施维护.
