Autonomous concrete crack detection using deep fully convolutional neural network论文笔记
该论文提出了一种基于对称编码-解码FCN网络的混凝土裂缝检测方法，并通过公开数据集进行了实验验证。实验中使用了VGG16、InceptionV3和ResNet网络结构进行分类任务测试，选择分类准确性最高的网络作为基础进行裂缝图像分割。数据集包含两万张裂缝图像和两万张非裂缝图像，其中600张裂缝图像带有像素标记用于检测标记图生成。对于分割任务，采用Segnet网络结构并在中间添加了一个1x1卷积层以生成低分辨率分割效果。实验结果表明，VGG和Inception网络在分类准确性上优于ResNet网络，并通过Max F1值和AP指标评估了检测性能。此外，论文提到采用了迁移学习方法以提升检测能力，并提出了对 crack density 的分析概念。然而，在迁移学习效果对比实验中未展示具体结果（来源：
该技术采用深度全卷积神经网络实现自适应性混凝土裂缝检测，在性能上超越现有传统算法的同时能够实时处理高分辨率图像数据。
该技术在多个实际项目中得到了广泛应用并取得了卓越的检测效果。
@(论文笔记)
1.实验
研究者计划利用一种对称式的编码-解码型FCN架构来实现裂缝像素与非裂缝像素之间的两类图像分割任务。然后，在公开的数据集上分别运用VGG16、InceptionV3以及ResNet等网络架构对裂缝图像与非裂缝图像进行了初步的二分类测试。挑选出分类精度最优的那个架构作为基础模型，并以此为基础开展 crack 像素与其他类型 pixel 之间的划分工作。
数据集
该数据集包含了共计2\times 1e4张图片，在其中分别收集了6\times 1e2幅标注了裂缝像素位置的裂纹图像以及未标注的非裂纹样本。在分类任务中，在分类任务中包含3.2\times 1e4个训练样本、4.8\times 1e3个验证样本以及4.8\times 1e3个测试样本；而在分割任务中则仅包含4.8\times 1e2个训练样本、~\!~\!~\!~\!~\!~\!~\!~\!~\!~\! ~\! ~ \! ~ \!\!\!\!\!\!\!\!\!\!\! ~ \!\!\!\!\!\,\,\,\,\, 验证样本和同样数量的测试样本。
三种FCN对裂缝分类能力对比
通过图可以看出，在针对裂缝图像分类问题时，VGG和Inception网络的表现均显著优于ResNet网络；同样可以通过损失值来验证这一结论。
网络结构
该网络架构本质上就是基于Segnet的设计框架。值得注意的是，在中间位置设置了一个1\times 1的卷积层（Segmentation Networks中并未采用这一设计），其目的是为了实现对低分辨率区域的精细分割。
裂缝检测性能评估
主要采用的Max F1 和 AP评价指标
最后作者通过论证表明该模型具备 crack detection 的能力，并对其效果进行了验证。此外，则详细阐述了利用该 model 进行 crack detection 的步骤：首先建立 crack 检测框架，在此基础上完成相关算法实现，并通过实验数据对其效果进行了验证。同时，在 cracks density estimation 方面也进行了研究工作：评估标准则定义为 cracks 像素数量与总像素数量的比值，并基于此提出了相应的计算方法以辅助 crack 位置和范围的确定。
2.阅读总结
作者并未对模型提出任何改进方案，
始终关注并突出了[迁移学习]技术在提升裂缝检测效果方面的作用。
然而，在该论文中并未进行相应的对比实验，
相反地，在其他研究者的研究中发现，
在Imagnet数据集上进行预训练后，
在Crack数据集上进行二次微调可能会带来负面影响。
具体而言，
作者的主要贡献在于：
- 对三种FCN网络架构进行了系统性比较；
- 验证了基于VGG16编码-解码框架下 crack density 的分析方法；
此外，
文中还首次提出了基于特定算法框架下 crack density 的分析方法。