Context-CrackNet: A Context-Aware Framework for Precise Segmentation of Tiny Cracks in Pavement images

要約

舗装の苦痛、特に小さな亀裂の正確な検出とセグメンテーションは、輸送インフラストラクチャの早期介入と予防保守にとって重要です。
従来の手動検査方法は労働集約的で一貫性がありませんが、既存の深い学習モデルはきめ細かいセグメンテーションと計算効率に苦しんでいます。
これらの課題に対処するために、この研究では、地域中心のエンハンスメントモジュール（RFEM）とコンテキスト認識グローバルモジュール（CAGM）を備えた新しいエンコーダーデコーダーアーキテクチャであるContext-CrackNetを提案します。
これらのイノベーションは、それぞれ微調整されたローカルの詳細とグローバルなコンテキスト依存関係をキャプチャするモデルの能力を高めます。
Context-CrackNetは、10の公開されている亀裂セグメンテーションデータセットで厳密に評価され、多様な舗装ディートシナリオをカバーしました。
モデルは一貫して9つの最先端のセグメンテーションフレームワークを上回り、競争力のある推論効率を維持しながら、MIOUやDICEスコアなどの優れたパフォーマンスメトリックを達成しました。
アブレーションの研究により、RFEMとCAGMの補完的な役割が確認され、両方のモジュールが統合されたときにMIOUとDICEスコアが顕著に改善されました。
さらに、モデルの精度と計算効率のバランスは、大規模な舗装監視システムでのリアルタイム展開の可能性を強調しています。

要約(オリジナル)

The accurate detection and segmentation of pavement distresses, particularly tiny and small cracks, are critical for early intervention and preventive maintenance in transportation infrastructure. Traditional manual inspection methods are labor-intensive and inconsistent, while existing deep learning models struggle with fine-grained segmentation and computational efficiency. To address these challenges, this study proposes Context-CrackNet, a novel encoder-decoder architecture featuring the Region-Focused Enhancement Module (RFEM) and Context-Aware Global Module (CAGM). These innovations enhance the model’s ability to capture fine-grained local details and global contextual dependencies, respectively. Context-CrackNet was rigorously evaluated on ten publicly available crack segmentation datasets, covering diverse pavement distress scenarios. The model consistently outperformed 9 state-of-the-art segmentation frameworks, achieving superior performance metrics such as mIoU and Dice score, while maintaining competitive inference efficiency. Ablation studies confirmed the complementary roles of RFEM and CAGM, with notable improvements in mIoU and Dice score when both modules were integrated. Additionally, the model’s balance of precision and computational efficiency highlights its potential for real-time deployment in large-scale pavement monitoring systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google