.png){kind=icon}
返回
Damage Attention-Aware Dense Layered Framework for Surface Crack Classification
.png){kind=icon}
OA
AI
DOI：10.3390/buildings16122313.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在结构健康监测和基础设施检测中，准确分类表面缺陷是一个关键要求，其中缺陷（包括裂缝、剥落、分层和非裂纹区域）常以低对比度和复杂背景纹理的形式出现。为满足对能够增强缺陷可见性并聚焦于损伤关键区域的鲁棒且具有判别力的框架的需求，本研究提出了一种新颖的损伤感知型DenseNet-201（DA-DenseNet-201）模型用于表面缺陷分类。作为一项关键创新，引入了一种损伤感知型自适应对比度受限的自适应直方图均衡化（DAC）滤波策略作为预处理阶段。所提出的DAC滤波器根据损伤指标动态调整对比度增强参数，选择性放大裂缝边缘和缺陷纹理，同时保留健康表面区域并抑制噪声。在此基础上，增强图像使用预训练的DenseNet-201骨干网络进行处理，保留了密集特征传播和高效梯度流的优点。为进一步强化DA-DenseNet-201的判别学习，将注意力精炼模块集成到网络中，结合通道注意力以强调与缺陷相关的特征响应，以及空间注意力以准确定位损伤区域。此外，一种多尺度特征融合机制聚合多个密集块的特征图，以捕捉精细裂缝模式、纹理级退化以及高层语义损伤信息。在表面缺陷数据集上进行的大量实验证明了其有效性，实现了98.93%的卓越分类准确率，同时在灵敏度、特异性和交并比方面相较于当前最优模型取得了显著提升。这些结果证实，所提出的DA-DenseNet-201为自动化表面缺陷分类提供了一种可靠且高性能的解决方案。
Keyword:
accuracy
attention
classification
contrast-limited adaptive histogram equalisation (CLAHE)
damage-aware adaptive contrast-limited adaptive histogram equalization (DAC)
deep learning
feature extraction
filtering
multiscale feature fusion
structural health monitoring
期刊
IF:
3.1
论文数:
1.8W
被引数:
2.5W
机构
引用论文
Multimodal perception-guided intelligent pavement crack detection approach: a novel combining vision and semantic supervision framework多模态感知引导的智能路面裂缝检测方法：一种新颖的融合视觉和语义监督的框架.png)
Measurement
MeasurementIF5.6
PREAI
分享收藏State-of-the-art review on the post-fire assessment of concrete structuresSTRUCTURAL CONCRETEOAAI
STRUCTURAL CONCRETEIF3.3
OAAI分享收藏Crack-MsCGA: A Deep Learning Network with Multi-Scale Attention for Pavement Crack Detection裂缝-MsCGA: 路面裂缝检测的多尺度关注深度学习网络SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Deep learning based initial crack size measurements utilizing macroscale fracture surface segmentation基于深度学习的初始裂纹尺寸测量，利用宏观尺度断裂面分割OAAI
OAAI分享收藏
查看更多内容