[论文解读] Crack Detection Using Enhanced Thresholding on UAV based Collected Images
该论文提出了一种递归阈值算法，通过聚焦于无人机拍摄图像中的低强度区域来增强Otsu方法，从而提高裂缝检测的准确性。通过迭代地将阈值向更暗的强度移动，并使用类间对比度作为停止准则，该方法在合成数据集和真实无人机数据集上均优于Otsu、ITTT和Sauvola方法，在真实道路和墙体裂缝图像上的Q评估得分最低，仅为0.1949。
This paper proposes a thresholding approach for crack detection in an unmanned aerial vehicle (UAV) based infrastructure inspection system. The proposed algorithm performs recursively on the intensity histogram of UAV-taken images to exploit their crack-pixels appearing at the low intensity interval. A quantified criterion of interclass contrast is proposed and employed as an object cost and stop condition for the recursive process. Experiments on different datasets show that our algorithm outperforms different segmentation approaches to accurately extract crack features of some commercial buildings.
研究动机与目标
- 为解决传统阈值方法（如Otsu和ITTT）在检测无人机采集的基础设施图像中低强度裂缝时表现不佳的问题。
- 开发一种稳健的递归阈值方法，专注于裂缝通常出现的暗强度区域。
- 在真实世界条件下（如光照不均和纹理噪声普遍存在于无人机图像中）提升裂缝分割的准确性。
- 引入量化的类间对比度准则作为递归阈值的动态停止条件。
- 在公开数据集（Crack IT）和来自商业建筑及路面的真实无人机图像上验证该方法。
提出的方法
- 该方法在逐步变暗的强度子直方图上递归应用Otsu的阈值分割，聚焦于裂缝所在位置的低强度区域。
- 使用类间方差作为优化指标，其定义为 $\sigma^2(T) = \omega_0(T)\omega_1(T)(\epsilon_0(T) - \epsilon_1(T))^2$，以计算最优阈值。
- 递归过程由量化的类间对比度（IC）准则引导，停止条件设定为 $C_s = 0.25$，以防止过度分割。
- 该算法仅处理图像直方图的较暗部分，在每次迭代中将阈值向更低强度移动，以隔离裂缝特征。
- 该方法应用于灰度无人机图像和基准数据集，性能通过Q评估指标进行评估。
- 通过集中于裂缝最可能出现的强度区域，该方法避免了表面纹理和阴影带来的噪声影响。
实验结果
研究问题
- RQ1能否通过聚焦于低强度区域的递归阈值方法提升无人机基础设施检测中的裂缝检测准确性？
- RQ2在光照不均和纹理变化条件下，所提出的方法与Otsu、ITTT和Sauvola在裂缝分割方面相比表现如何？
- RQ3量化的类间对比度准则能否作为递归阈值在裂缝分割中有效且自适应的停止条件？
- RQ4该方法在具有不同光照和表面条件的多样化真实世界无人机图像数据集中是否保持鲁棒性？
主要发现
- 在真实无人机采集的数据集上，所提方法的Q评估得分为0.1949，优于Otsu（0.2045）、ITTT（0.2037）和Sauvola（0.1986）。
- 在Crack IT数据集上，所提方法取得了最小的Q评估得分，证实其在裂缝分割准确性方面的优越性。
- 与Otsu和ITTT不同，后者无法区分裂缝与阴影及纹理，而所提方法即使在光照不均条件下也能精确提取裂缝特征。
- 该方法成功地从分割结果中排除了表面纹理和非裂缝特征，表现出对视觉噪声的鲁棒性。
- 递归阈值过程通过在每次迭代中聚焦于更暗的直方图区域，有效隔离了低强度裂缝像素。
- 固定停止条件 $C_s = 0.25$ 产生了稳定且可接受的结果，表明未来可基于图像直方图特征进行自适应调整。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。