Dual flow fusion model for concrete surface crack segmentation

要約

亀裂やその他の損傷の存在は、交通インフラの安全な運用にとって重大な脅威となります。
従来の手動検出と超音波装置のテストでは、多くの時間とリソースが消費されます。
深層学習テクノロジーの発展に伴い、多くの深層学習モデルが実際の視覚セグメンテーション タスクに広く適用されています。
深層学習モデルに基づく検出手法は、検出精度が高く、検出速度が速く、操作が簡単であるという利点があります。
ただし、深層学習ベースの亀裂セグメンテーション モデルは背景ノイズの影響を受けやすく、エッジが粗く、堅牢性に欠けます。
したがって、本論文では、二重ストリームの融合に基づく亀裂分割モデルを提案します。
画像は設計された 2 つの処理ストリームに同時に入力され、長距離依存性と局所的な詳細特徴が独立して抽出されます。
適応予測は、双頭メカニズムによって実現されます。
一方、複雑な背景で亀裂の位置と認識を達成するために、異なる特徴層の相補性を導くための新しい相互作用融合メカニズムが提案されています。
最後に、セグメンテーションの精度を向上させるエッジ最適化手法を提案します。
実験の結果、DeepCrack[1] 公開データセットのセグメンテーション結果の F1 値は 93.7%、IOU 値は 86.6% であることがわかりました。
CRACK500[2] データセットのセグメンテーション結果の F1 値は 78.1%、IOU 値は 66.0% です。

要約(オリジナル)

The existence of cracks and other damages pose a significant threat to the safe operation of transportation infrastructure. Traditional manual detection and ultrasound equipment testing consume a lot of time and resources. With the development of deep learning technology, many deep learning models have been widely applied to practical visual segmentation tasks. The detection method based on deep learning models has the advantages of high detection accuracy, fast detection speed, and simple operation. However, deep learning-based crack segmentation models are sensitive to background noise, have rough edges, and lack robustness. Therefore, this paper proposes a crack segmentation model based on the fusion of dual streams. The image is inputted simultaneously into two designed processing streams to independently extract long-distance dependence and local detail features. The adaptive prediction is achieved through the dual-headed mechanism. Meanwhile, a novel interaction fusion mechanism is proposed to guide the complementary of different feature layers to achieve crack location and recognition in complex backgrounds. Finally, an edge optimization method is proposed to improve the accuracy of segmentation. Experiments show that the F1 value of segmentation results on the DeepCrack[1] public dataset is 93.7% and the IOU value is 86.6%. The F1 value of segmentation results on the CRACK500[2] dataset is 78.1%, and the IOU value is 66.0%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google