基于深度学习的裂缝检测技术

 不同于传统的裂缝检测方法，基于深度学习的检测方法不需要人工干预，能自主学习有代表性的特征，直接对输入图像的裂缝进行检测。

      随着深度学习方法在许多应用场景中取得了很好的检测结果。国内众多研究人员也开始把基于深度学习的目标检测模型和语义分割模型用于裂缝检测任务中。

     吴贺贺等人使用 Faster R-CNN 网络进行隧道裂缝检测，该方法能够降低对图像质量的要求，能够完成裂缝的准确定位。王丽苹采用 ZF 网络作为 Faster R-CNN 模型的主干网络进行图像特征提取，完成对混凝土裂缝的识别与定位，是一种高效可靠的裂缝检测方法，该方法对大裂缝有较好的检测效果，但对于小裂缝会出现漏检等问题。孙朝云等人用 VGG16 等网络的特征提取层替换 Faster R-CNN的主干特征提取网络，实验证明 VGG16 和 Faster R-CNN 结合后的模型检测效果最佳，然后调整裂缝候选框的宽高比以使模型更好地适应裂缝检测，该方法能够提高检测准确率，但检测速度不理想。

      李中远将 SSD 目标检测算法应用于道路裂缝检测任务中，相比于传统检测方法能够实现高精度、高速度检测。温作林建立了基于 YOLOv3 深度学习的目标检测方法，该方法实现了对结构裂缝和非结构裂缝的准确识别。王磊提出基于YOLOV3 的路面裂缝检测定位方法，提出了一种多框重叠覆盖裂缝的标注方式，检测结果中的裂缝基本上可以被全部被框出，且有效地平衡了检测的准确率和速度，在他的数据集上准确率达到了 87%，但仍有很大的上升空间。蔡逢煌等人提出基于 YOLOv3 改进的裂缝检测方法，首先使用深度可分离卷积代降低网络整体的参数量，同时引入逆残差结构提高检测精度，然后融入 CBAM 注意机制使网络更加关注重要信息，抑制无用信息。该方法可以实现裂缝的识别与定位，且拥有实时性检测速度，但检测结果会出现裂缝遗漏在检测框外的问题。李彬等人提出基于 YOLOv4 改进的缺陷检测方法，通过 K-means 对缺陷样本聚类获得适合缺陷检测的先验框，然后在主干特征提取网络和 PANet 的连接处添加卷积层，同时在空间金字塔池化结构的输入端和输出端都添加卷积层，通过增加网络纵深，提高网络的特征提取能力，使 mAP 指标在他的数据集上提高了 4.55%。但是通过大量增加卷积层也使网络结构更加复杂，检测速度变慢。

     李丽基于 Alexnet 网络构建了 FCN 模型，可以检测出复杂路面背景下的裂缝。王森等人首先用 VGG16 替换 FCN 的主干特征提取网络，然后去除了全连接层中的 Dropout 层，最后修改滤波器尺寸以及提升网络纵深，能有效提高检测精度。但是 FCN 仍存在明显缺陷，分割结果不够精细。朱苏雅等人采用 U-Net 网络进行裂缝检测，利用阈值法和改进的迪杰斯特拉连接算法进行边缘提取，该方法提升了检测精度，但受限于 U-Net 检测效果。

     国外也有很多研究人员已经把基于深度学习的目标检测模型和语义分割模型用于裂缝检测任务中。

     Cha 等人使用 Faster  R-CNN 方法对混凝土裂缝等 5 类损伤进行检测，平均检测准确率较高。Mandal 等人使用经过大量裂缝图像训练后的 YOLOv2 模型进行路面检测，该方法虽然精确率和召回率等值较高，但容易漏检和误检细小裂缝。Nie 等人提出基于 YOLOv3 的裂缝检测方法，很好的平衡了检测速度和检测精度。Carr 等人利用 RetinaNet网络进行道路裂缝检测，通过残差网络和特征金字塔结构以提取到多种不同尺度特征，通过对候选区域分类和边界框回归完成裂缝检测。Zhang 等人使用深度卷积神经网络、支持向量机和集成学习共三种方法分别对道路裂缝图像进行检测，发现深度卷积神经网络的检测准确率最高，验证了深度学习方法对裂缝检测场景的适用性。Liu 等人采用 U-Net 方法进行裂缝检测，分割效果较 FCN 有很大提升，但仍存在细节丢失、漏检和误检等问题。Dung 等人提出了一种裂缝检测方法，用预训练好的 VGG16 作为 FCN 编码器的主干网络，该方法获取较好的裂缝分割效果。

     深度学习方法不需要人工提取裂缝特征，比传统图像处理方法的检测结果更加精确，鲁棒性更强，不容易受外界因素影响，同时能够充分利用计算机的运算能力，拥有更快的检测速度，在众多检测与分割领域都取得了优异的结果。