.png){kind=icon}
返回
Deployable Deep Learning Models for Crack Detection: Efficiency, Interpretability, and Severity Estimation
.png){kind=icon}
OA
AI
DOI：10.3390/buildings15183362.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混凝土基础设施检测对于维护城市环境的安全性和耐久性至关重要。传统的手动裂缝检测方法劳动密集、不一致且难以扩展。深度学习和计算机视觉的最新进展提供了自动化替代方案，特别是在通过无人机（UAVs）部署时，可增强覆盖范围和灵活性。然而，在嵌入式系统上实现实时性能需要不仅准确，而且轻量化和计算高效的模型。本研究提出了CrackDetect-Lite，使用SDNET2018基准数据集对三种深度学习架构进行二元裂缝检测的对比分析：CNNSimple（一个自定义轻量级模型）、RSNet（一个浅层残差网络）和MobileVNet（一个微调的MobileNetV2）。通过加权交叉熵损失函数解决了类别不平衡问题，并在包括分类准确率、裂缝类别F1分数、推理延迟和模型大小在内的多个标准下评估了模型。在所有模型中，MobileVNet在检测性能和可部署性之间实现了最佳平衡，准确率达到90.5%，裂缝F1分数为0.73，同时保持了适合UAV部署的低计算开销。这些发现表明，精心选择的轻量级CNN架构能够提供可靠、实时的裂缝检测，支持在智能城市系统中可扩展和自主的基础设施监测。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.1
论文数:
1.8W
被引数:
2.5W
机构
引用论文
Concrete Crack Detection and Segregation: A Feature Fusion, Crack Isolation, and Explainable AI-Based Approach混凝土裂缝检测与分割：一种基于特征融合、裂缝隔离和可解释人工智能的方法
OAAI
OAAI分享收藏Huang, Z.; Chen, W.; Al-Tabbaa, A.; Brilakis, I. NHA12D: A new pavement crack dataset and a comparison study of crack detection algorithms. arXiv 2022, arXiv:2205.01198. [Google Scholar] [CrossRef]黄，Z.; 陈，W.; Al-Tabbaa, A.; Brilakis, I. NHA12D：一个新的路面裂缝数据集及裂缝检测算法的比较研究。arXiv 2022, arXiv:2205.01198. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏Adaptive and Explainable Deep Learning-Based Rapid Identification of Architectural CracksIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Mobile-DenseNet: Detection of building concrete surface cracks using a new fusion technique based on deep learningHELIYONOAAI
HELIYONIF3.6
OAAI分享收藏Autonomous Concrete Crack Semantic Segmentation Using Deep Fully Convolutional Encoder-Decoder Network in Concrete Structures Inspection在混凝土结构检测中使用深度全卷积编码器-解码器网络的自主混凝土裂缝语义分割BUILDINGSOAAI
BUILDINGSIF3.1
OAAI分享收藏
查看更多内容