.png){kind=icon}
返回
AFQSeg: An Adaptive Feature Quantization Network for Instance-Level Surface Crack Segmentation
.png){kind=icon}
OA
AI
DOI：10.3390/computers14050182.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混凝土表面裂缝检测在基础设施维护和安全方面发挥着关键作用。基于深度学习的方法在该任务中显示出巨大潜力。然而，在图像质量差、环境干扰和裂缝模式复杂等现实条件下，现有模型在检测细微裂缝方面仍面临挑战，并且通常依赖大量训练参数，限制了其在复杂环境中的实用性。为解决这些问题，本文提出了一种基于自适应特征量化的裂缝检测模型，主要由最大软池化模块、自适应裂缝特征量化模块和可训练裂缝后处理模块组成。具体而言，最大软池化模块提高了检测裂缝的连续性和完整性。自适应裂缝特征量化模块增强了裂缝与背景特征之间的对比度，并通过空间特征融合强化了模型对关键区域的关注。可训练裂缝后处理模块整合了边缘引导的后处理算法，以纠正错误预测并优化分割结果。在Crack500道路裂缝数据集上的实验表明，所提出的模型在检测精度和效率方面均取得了显著提升，平均F1分数较基线方法提高了2.81%，精确度提高了2.20%。此外，该模型显著降低了计算成本，参数规模减少了78.5-88.7%，推理速度提升了高达96.8%，使其更高效且适用于实际裂缝检测应用。
Keyword:
surface crack detection
adaptive feature quantization
deep learning model
accuracy enhancement
期刊
C
IF:
4.2
论文数:
1.4K
被引数:
3.3K
机构
引用论文
.png){kind=icon}
分享收藏A critical review and comparative study on image segmentation-based techniques for pavement crack detection基于图像分割的路面裂缝检测技术综述与比较研究
PREAI
分享收藏ShapeFormer: Shape Prior Visible-to-Amodal Transformer-based Amodal Instance SegmentationShapeFormer: 基于形状先验的可见-无模态 Transformer 的无模态实例分割
PREAI
分享收藏
查看更多内容