传统增强方法的有效性用于使用无人机图像的杆计数,使用基于Faster R-CNN和YOLOv10的变压器架构的UAV图像

科学领域:

• 土木工程 土木工程是指土木工程.
• 计算机视觉 计算机视觉
• 结构健康监测 结构健康监测

背景情况:

• 精确的钢筋混凝土 (RC) 检查依赖于精确的钢筋计数.
• 来自无人机图像的深度学习对象探测器显示出希望,但需要广泛,多样化的数据集.
• 图像增强对基于无人机 (UAV) 的铁杆计数的影响尚不清楚.

研究的目的:

• 系统地评估十种图像增强技术的有效性,用于基于无人机的铁杆计数.
• 将不同深度学习架构 (Faster R-CNN,YOLOv10) 和骨干 (ResNet,ViT,PVT,Swin Transformer) 的性能与增强进行比较.
• 确定最佳的增强策略,以提高钢筋计数精度和检测指标.

主要方法:

• 评估了十种增强方法:亮度,对比度,视角,旋转,尺度,剪切,转换,模糊,概率采样和技术总和.
• 使用了具有六个骨干的更快R-CNN和YOLOv10物体探测器 (ResNet-101,ResNet-152,MobileNetV3,ViT,PVT,Swin变压器).
• 使用AP50,AP50:95和精确计数精度测量性能.

主要成果:

• 增强效率取决于特定的深度学习架构和性能指标.
• 采用剪切的YOLOv10-PVT配置实现了最高的性能:AP50=87.71%,AP50:95=68.53%,铁杆计数精度=86.27%.
• 概率抽样提供了一致的收益,而一组技术的总和无法可靠地超过最好的单个增强.

结论:

• 图像增强对于在RC结构中增强基于无人机的钢筋计数至关重要.
• 剪切增强,特别是YOLOv10-PVT模型,提供了显著的改进.
• 根据特定的架构和指标定制增强策略是结构检查中最佳结果的关键.