Detection of Pavement Cracks by Deep Learning Models of Transformer and UNet

要約

タイトル：
TransformerとUNetのDeep Learningモデルによる舗装道路のひび割れ検出

要約：
– Deep Learning技術の出現により、表面上のひび割れの効果的な検出が可能になりました。
– この研究では、9つのモデルを調査し、舗装道路面のひび割れ検出におけるモデルの精度、計算複雑性、およびモデルの安定性を評価しました。
– 破断は建物や道路などの主要故障モードの1つであり、表面ひび割れの効果的な検出は損傷評価および構造物のメンテナンスに重要です。
– SwinUNetは9つのモデルの中で最も優れており、他の2つのトランスフォーマーに比べて高い精度を示しています。
– トランスフォーマーは一般的にトレーニングプロセス中に収束しやすく、精度が高いですが、一般にメモリ消費量が多く、処理効率が低いという特徴があります。
– 本研究の結果は、様々なDeep Learningモデルを使用した表面ひび割れ検出に関する光を投げ、この分野の将来のアプリケーションのためのガイドラインを提供することができます。

要約(オリジナル)

Fracture is one of the main failure modes of engineering structures such as buildings and roads. Effective detection of surface cracks is significant for damage evaluation and structure maintenance. In recent years, the emergence and development of deep learning techniques have shown great potential to facilitate surface crack detection. Currently, most reported tasks were performed by a convolutional neural network (CNN), while the limitation of CNN may be improved by the transformer architecture introduced recently. In this study, we investigated nine promising models to evaluate their performance in pavement surface crack detection by model accuracy, computational complexity, and model stability. We created 711 images of 224 by 224 pixels with crack labels, selected an optimal loss function, compared the evaluation metrics of the validation dataset and test dataset, analyzed the data details, and checked the segmentation outcomes of each model. We find that transformer-based models generally are easier to converge during the training process and have higher accuracy, but usually exhibit more memory consumption and low processing efficiency. Among nine models, SwinUNet outperforms the other two transformers and shows the highest accuracy among nine models. The results should shed light on surface crack detection by various deep-learning models and provide a guideline for future applications in this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI