Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure

要約

道路や建物などのインフラストラクチャの亀裂を検出してセグメント化することは、安全性とコスト効率の高いメンテナンスにとって非常に重要です。
ディープラーニングの可能性にもかかわらず、正確な結果を達成し、多様な亀裂タイプを処理するには課題があります。
提案されたデータセットとモデルを使用して、亀裂の検出とインフラストラクチャのメンテナンスを強化することを目指しています。
我々は、きめの細かい局所的亀裂特徴と全体的亀裂特徴の両方を抽出できるエンコーダー/デコーダーベースのアプローチであるハイブリッド セグメンターを紹介します。
これにより、モデルの一般化機能が向上し、さまざまなタイプの亀裂の形状、表面、サイズを区別できるようになります。
モデルの一般化能力を高く維持しながら、実用的な目的で計算パフォーマンスを低く保つために、デコーダ コンポーネントの複雑さを軽減しながら、エンコーダ レベルでセルフ アテンション モデルを組み込みます。
提案されたモデルは、5 つの定量的指標 (精度 0.971、精度 0.804、再現率 0.744、F1 スコア 0.770、および IoU スコア 0.630) にわたって既存のベンチマーク モデルを上回り、最先端のステータスを達成しています。

要約(オリジナル)

Detecting and segmenting cracks in infrastructure, such as roads and buildings, is crucial for safety and cost-effective maintenance. In spite of the potential of deep learning, there are challenges in achieving precise results and handling diverse crack types. With the proposed dataset and model, we aim to enhance crack detection and infrastructure maintenance. We introduce Hybrid-Segmentor, an encoder-decoder based approach that is capable of extracting both fine-grained local and global crack features. This allows the model to improve its generalization capabilities in distinguish various type of shapes, surfaces and sizes of cracks. To keep the computational performances low for practical purposes, while maintaining the high the generalization capabilities of the model, we incorporate a self-attention model at the encoder level, while reducing the complexity of the decoder component. The proposed model outperforms existing benchmark models across 5 quantitative metrics (accuracy 0.971, precision 0.804, recall 0.744, F1-score 0.770, and IoU score 0.630), achieving state-of-the-art status.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google