施努卡：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