论文页面 - 基于实例分割的像素级路面病害评估

来源: https://huggingface.co/papers/2605.26095

摘要

一种基于视觉的路面病害分析系统，采用 Mask R-CNN 实例分割技术，在裂缝检测与量化方面展现出优于目标检测方法的性能，在自定义的实地采集数据集上实现了高精度与高召回率。

自动化路面病害评估不仅需要图像级分类或粗糙的边界框检测，更需要精确定位细长、分叉且不规则的裂缝，以达到养护量化所需的几何精度。本文提出了一种基于 Mask R-CNN (https://huggingface.co/papers?q=Mask%20R-CNN) 实例分割 (https://huggingface.co/papers?q=instance%20segmentation) 的视觉路面病害分析系统，并在 UWGB-StreetCrack（一个使用车载智能手机采集、经人工多边形标注 (https://huggingface.co/papers?q=polygon%20labels) 的路面图像数据集，涵盖纵向裂缝、横向裂缝、鳄鱼纹裂缝和坑槽）上进行评估。在一致的微调协议下，考虑了五种基于 Detectron2 (https://huggingface.co/papers?q=Detectron2) 的 Mask R-CNN (https://huggingface.co/papers?q=Mask%20R-CNN) 骨干网络变体。性能最佳的模型——使用 ResNet-101 FPN (https://huggingface.co/papers?q=ResNet-101%20FPN) 骨干网络的 Mask R-CNN (https://huggingface.co/papers?q=Mask%20R-CNN)——在项目特定的边界框匹配协议 (https://huggingface.co/papers?q=bounding-box%20matching%20protocol) 下，达到了 84.23% 的精度、90.04% 的召回率和 87.04% 的 F1 分数 (https://huggingface.co/papers?q=F1%20score)。该模型预测的累计裂缝面积分数 (https://huggingface.co/papers?q=crack-area%20fraction) 为 2.164%，与真实裂缝面积分数 (https://huggingface.co/papers?q=crack-area%20fraction) 的 2.170% 高度吻合。为了将本分割系统与面向检测器的替代方案进行对比，还基于 CSPDarknet53 (https://huggingface.co/papers?q=CSPDarknet53) 的 YOLO (https://huggingface.co/papers?q=YOLO) 检测器进行了适配并在同一数据集上重新训练，其在验证协议下精度为 27.5%，召回率为 20.7%。结果表明，实例分割 (https://huggingface.co/papers?q=instance%20segmentation) 是面向实地路面图像及累计裂缝面积估计的一个实用方向，同时也揭示了标注一致性、类别不平衡、混淆物排除以及掩码级基准测试方面的开放挑战。

查看 arXiv 页面 (https://arxiv.org/abs/2605.26095) 查看 PDF (https://arxiv.org/pdf/2605.26095) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.26095)

在你的 Agent 中获取此论文：

hf papers read 2605\.26095

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.26095 以在此页面建立链接。

引用此论文的数据集0

没有数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.26095 以在此页面建立链接。

引用此论文的 Space0

没有 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.26095 以在此页面建立链接。

包含此论文的收藏集0

没有收藏集包含此论文

请将此论文添加到收藏集 (https://huggingface.co/new-collection) 中以在此页面建立链接。