Autonomous concrete crack detection using deep fully convolutional neural network论文笔记

@(论文笔记)

1.实验

实验方法
作者想要采用一种对称的编码-解码FCN网络来进行裂缝像素和非裂缝像素的二类图像分割。首先，采用VGG16, InceptionV3和ResNet网络结构对以公开数据集进行裂缝与非裂缝图像进行二分类试验，选出分类准确性最好的结构，再将作为基础网络结构来进行裂缝图像分割。

数据集

混泥土裂缝数据集，包括两万张裂缝图像，两万张非裂缝图像，其中随机分布的600张裂缝图像，成对地带有像素的标记，即裂缝检测的标记图像。对于分类任务，训练集具有32000张图像，验证集有4000张图像，测试集有4000张图像。对于分割任务，训练集有400张图像，验证集100张，测试集100张。

三种FCN对裂缝分类能力对比

从图可以看出，对于裂缝图像分类来说，VGG和inception网络比resnet网络的准确性要明显地好，从loss值也同样能够看出。

网络结构

网络结构基本上就是Segnet网络结构。值得注意的是，该网络结构中间位置有一个1∗11*11∗1卷积层，这是segnet没有的，原文说这个卷积层是为了制造一个低分辨率分割。

裂缝检测性能评估

主要采用的Max F1 和 AP评价指标

最后作者论证了模型的裂缝检测能力，主要就是具体描述使用该模型进行检测的过程，展示了检测结果。另外，作者还提到了裂缝密度估计，评价指标就是裂缝像素数目占所有像素数目的比率。

2.阅读总结

作者自己并没提出什么对模型的改进，只是多次强调了迁移学习对于裂缝检测能力有提升，可是在论文中并没有做对比实验，相反的我在其他论文中看到说在Imagnet上预训练，迁移在裂缝数据集上二次训练是有害的。
我想作者的主要工作是，对三种FCN网络的分类裂缝能力进行了对比，然后验证的基于VGG16的编码-解码Segnent网络结构对裂缝检测能力的有效性。另外就是，提到了裂缝密度分析的概念。