[论文解读] Application of Segment Anything Model for Civil Infrastructure Defect Assessment

Mohsen Ahmadi, Ahmad Gholizadeh Lonbar+5 more|arXiv (Cornell University)|Apr 25, 2023

Infrastructure Maintenance and Monitoring被引用 23

一句话总结

这篇论文比较 SAM 和 U-Net 在混凝土裂缝检测中的表现，显示出互补的优势，并提出一个结合方法以提升土木基础设施缺陷评估。它讨论了对桥梁、建筑物和道路的潜在影响。

ABSTRACT

This research assesses the performance of two deep learning models, SAM and U-Net, for detecting cracks in concrete structures. The results indicate that each model has its own strengths and limitations for detecting different types of cracks. Using the SAM's unique crack detection approach, the image is divided into various parts that identify the location of the crack, making it more effective at detecting longitudinal cracks. On the other hand, the U-Net model can identify positive label pixels to accurately detect the size and location of spalling cracks. By combining both models, more accurate and comprehensive crack detection results can be achieved. The importance of using advanced technologies for crack detection in ensuring the safety and longevity of concrete structures cannot be overstated. This research can have significant implications for civil engineering, as the SAM and U-Net model can be used for a variety of concrete structures, including bridges, buildings, and roads, improving the accuracy and efficiency of crack detection and saving time and resources in maintenance and repair. In conclusion, the SAM and U-Net model presented in this study offer promising solutions for detecting cracks in concrete structures and leveraging the strengths of both models that can lead to more accurate and comprehensive results.

研究动机与目标

• 以先进的深度学习方法推动混凝土结构裂缝检测的改进。
• 评估 Segment Anything Model (SAM) 在裂缝定位方面的性能。
• 评估 U-Net 在确定裂缝尺寸与位置方面的性能。
• 探索结合 SAM 与 U-Net 如何实现更准确的缺陷评估。
• 突出桥梁、建筑物和道路在维护规划中的潜在应用。

提出的方法

• 在混凝土裂缝数据集上比较 SAM 和 U-Net，以识别各自的优势与局限。
• 分析 SAM 的图像分区分割方法在定位裂缝方面的作用，尤其是纵向裂缝。
• 分析 U-Net 在识别正标签像素以确定裂缝尺寸与位置方面的能力。
• 提出一个结合两种模型的联合工作流程，以提升缺陷检测的准确性。
• 讨论在不同混凝土结构中使用 SAM 与 U-Net 的影响。

实验结果

研究问题

• RQ1 SAM 和 U-Net 在检测混凝土结构中不同类型裂缝方面的表现如何？
• RQ2 SAM 在裂缝定位方面相比 U-Net 在裂缝尺寸方面的优势与局限是什么？
• RQ3 结合 SAM 与 U-Net 是否能提升整体裂缝检测的准确性和覆盖范围？
• RQ4 对土木基础设施维护与安全有什么实际意义？

主要发现

• SAM 通过基于分区的方法在定位裂缝方面显示出优势，尤其是纵向裂缝。
• U-Net 在识别正标签像素以准确检测裂缝尺寸与位置方面表现出色。
• 将 SAM 与 U-Net 结合使用比单独任一模型能获得更准确、更全面的裂缝检测结果。
• 这两种模型在检测桥梁、建筑物和道路等各种混凝土结构中的裂缝方面都具有很有前景的能力。
• 该研究强调了先进技术在提升混凝土基础设施安全性与使用寿命方面的重要性。