Глубокое обучение для обнаружения дефектов в гражданском строительстве на основе данных дистанционного зондирования высокого разрешения

Abstract

Определение структурных дефектов в инфраструктуре и зданиях с помощью спутниковых изображений высокого разрешения по-прежнему остается ключевой задачей для обслуживания, планирования и оценки безопасности в городских условиях. В этой статье представлена новая глубокая обучающая модель, специально разработанная для выявления структурных дефектов с использованием данных дистанционного зондирования высокого разрешения. Основой этого подхода является метод обучения с учителем, который использует всеобъемлющий учебный набор данных для выявления тонкостей различных структурных дефектов. Последующий этап постобработки с использованием модели марковского случайного поля (МСП) обеспечивает назначение оптимальных меток, позволяя более точно различать дефектные и недефектные регионы на наблюдаемых сценах. Количественные оценки и экспериментальные результаты подчеркивают эффективность и потенциал этого метода в области выявления структурных дефектов.

The detection of structural defects in infrastructure and buildings via high-resolution satellite imagery remains a pivotal challenge for maintenance, planning, and safety evaluations in urban contexts. This paper presents a novel deep learning framework specifically tailored for the identification of structural defects using high-resolution remote sensing data. Central to this approach is a supervised learning method that employs a comprehensive training dataset to discern the intricacies of various structural defects. A subsequent post-processing step utilizing a Markov Random Field (MRF) model ensures the assignment of optimal labels, allowing for a more accurate differentiation between defect and non-deffect regions in the observed scenes. Quantitative evaluations and experimental results highlight the effectiveness and potential of this method in the realm of structural defect detection.