CrackESS: A Self-Prompting Crack Segmentation System for Edge Devices

要約

構造的健康監視（SHM）は、インフラストラクチャのメンテナンスに持続可能かつ不可欠なアプローチであり、構造的欠陥の早期検出を可能にします。
自動インフラストラクチャモニタリングのためのコンピュータービジョン（CV）方法を活用すると、モニタリングの効率と精度が大幅に向上する可能性があります。
ただし、これらの方法は、特に複雑な環境での効率と精度の課題に直面することがよくあります。
最近のCNNベースおよびSAMベースのアプローチは、亀裂セグメンテーションで優れたパフォーマンスを実証していますが、それらの高い計算需要はエッジデバイスへの適用性を制限しています。
このペーパーでは、コンクリートの亀裂を検出してセグメント化するための新しいシステムであるひびつきを紹介します。
このアプローチは、最初に自己促進のためのYolov8モデルと亀裂セグメンテーション用のロラベースの微調整されたSAMモデルを利用し、その後、提案された亀裂マスク洗練モジュール（CMRM）を介してセグメンテーションマスクを改良します。
3つのデータセット（Khanhhaのデータセット、Crack500、Crackcr）で実験を実施し、クライミングロボットシステムのクラックを検証して、アプローチの利点と有効性を実証します。

要約(オリジナル)

Structural Health Monitoring (SHM) is a sustainable and essential approach for infrastructure maintenance, enabling the early detection of structural defects. Leveraging computer vision (CV) methods for automated infrastructure monitoring can significantly enhance monitoring efficiency and precision. However, these methods often face challenges in efficiency and accuracy, particularly in complex environments. Recent CNN-based and SAM-based approaches have demonstrated excellent performance in crack segmentation, but their high computational demands limit their applicability on edge devices. This paper introduces CrackESS, a novel system for detecting and segmenting concrete cracks. The approach first utilizes a YOLOv8 model for self-prompting and a LoRA-based fine-tuned SAM model for crack segmentation, followed by refining the segmentation masks through the proposed Crack Mask Refinement Module (CMRM). We conduct experiments on three datasets(Khanhha’s dataset, Crack500, CrackCR) and validate CrackESS on a climbing robot system to demonstrate the advantage and effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google