[论文解读] Fast Crack Detection Using Convolutional Neural Network

Jiesheng Yang, Fangzheng Lin+3 more|arXiv (Cornell University)|May 23, 2021

Infrastructure Maintenance and Monitoring参考文献 19被引用 4

一句话总结

本文提出一种轻量级卷积神经网络（CNN）结合迁移学习，实现对混凝土和天然石材裂缝的快速、精准检测，并能有效区分裂缝与接缝。该模型在结合混凝土与天然石材图像的自定义数据集上表现出高效率与高性能，显著降低了训练时间与人工成本，展现出强大的工业适用性。

ABSTRACT

To improve the efficiency and reduce the labour cost of the renovation process, this study presents a lightweight Convolutional Neural Network (CNN)-based architecture to extract crack-like features, such as cracks and joints. Moreover, Transfer Learning (TF) method was used to save training time while offering comparable prediction results. For three different objectives: 1) Detection of the concrete cracks; 2) Detection of natural stone cracks; 3) Differentiation between joints and cracks in natural stone; We built a natural stone dataset with joints and cracks information as complementary for the concrete benchmark dataset. As the results show, our model is demonstrated as an effective tool for industry use.

研究动机与目标

• 开发一种快速、轻量级的CNN模型，用于建筑材质的自动裂缝检测。
• 通过迁移学习减少基础设施检测中的训练时间与人工成本。
• 解决现有方法中难以区分天然石材表面裂缝与接缝的挑战。
• 构建并利用一个结合混凝土与天然石材裂缝和接缝标注的互补数据集。
• 实现实时、可工业部署的裂缝检测，集成于翻新与维护工作流程中。

提出的方法

• 设计了一种自定义的轻量级CNN架构，以高效提取图像中的裂缝特征。
• 采用预训练模型进行迁移学习，以加速训练并提升模型泛化能力。
• 构建了一个新数据集，包含混凝土裂缝、天然石材裂缝及接缝的标注图像，用于多任务训练。
• 在三个独立任务上对模型进行训练与评估：混凝土裂缝检测、天然石材裂缝检测，以及接缝与裂缝的区分。
• 采用数据增强与迁移学习技术，提升模型鲁棒性并减少过拟合。
• 优化推理速度，以支持工业场景下的实时部署。

实验结果

研究问题

• RQ1 轻量级CNN模型是否能在最小化计算成本的同时，实现对混凝土表面裂缝的高精度检测？
• RQ2 迁移学习在减少训练时间方面有多高效，同时是否保持了与从零开始训练相当的检测性能？
• RQ3 单一模型能否有效区分天然石材中的裂缝与接缝，这一挑战在砌体检测中尤为常见？
• RQ4 混凝土与天然石材图像的联合数据集在多大程度上提升了模型在不同材质类型间的泛化能力？
• RQ5 与现有方法相比，该方法在工业部署中的推理速度与准确性表现如何？

主要发现

• 所提出的轻量级CNN在混凝土与天然石材裂缝数据集上均实现了高检测精度，展现出强大的泛化能力。
• 迁移学习显著缩短了训练时间，同时保持了与从零开始训练相当的预测性能。
• 该模型成功区分了天然石材中的接缝与裂缝，这一能力在以往方法中常被忽视。
• 自定义的裂缝与接缝标注数据集显著提升了模型在多种材质类型与表面条件下的性能表现。
• 模型的推理速度经过优化，适用于实时部署，适合现场检测应用。
• 结果证实，该模型作为实用工具，能有效降低基础设施翻新过程中的劳动力成本，提升工作效率。