检测和分析人造结构中的裂缝是一项重要任务，可以帮助确保建筑物安全和维护良好。由于雇用人工定期检查建筑物可能非常昂贵，研究人员一直在努力开发能够自动检测裂缝的工具。
中国武汉大学计算机视觉与遥感实验室(CVRS)的研究人员开发了一种新的深层次卷积神经网络(CNN)来预测像素方式的裂缝分割。他们的方法称为DeepCrack，在最近发表于Neurocomputing的论文中有所概述。
“我们提出了一种名为DeepCrack的深层次卷积神经网络(CNN)来预测端到端方法中的逐像素裂缝分割，”研究人员在他们的论文中写道。“在训练期间，精心设计的模型学习并聚合从低卷积层到高层卷积层的多尺度和多层次特征，这与仅使用最后卷积层的标准方法不同。”
检测自然图像中的裂缝通常需要不同的“级别”的视觉处理。因此，迄今为止，设计一种能够检测各种场景中的裂缝的通用方法具有相当大的挑战性。
过去的研究已经引入了许多用于裂缝检测的计算机视觉方法，这些方法可以分为两大类：基于局部特征和基于全局特征的方法。基于局部特征的方法通过利用局部特征(例如强度，梯度，局部方差和局部纹理各向异性)来工作，而基于全局特征的方法通过动态编程在建筑物的整体视图中提取裂缝曲线，优化基于的目标函数具体标准。尽管通过这些方法中的一些获得了有希望的结果，但它们并不总是很好地处理由污点，斑点，不良照明，模糊和其他因素引起的噪声。
最近的研究发现，卷积神经网络(CNN)可以在各种高级计算机视觉任务中实现最先进的性能，包括图像识别，对象检测和语义分割。CNN可以聚合多个视觉水平，因此对于裂缝检测和分割可能特别有效。
武汉大学的研究团队提出了一种新的基于CNN的裂缝分割方法，可以有效地学习多个场景和不同尺度的裂缝层次特征。为了改进其CNN的预测，研究人员使用了引导过滤(GF)和条件随机场(CRF)技术。
DeepCrack是研究人员推出的新方法，由扩展的完全卷积网络(FCN)和深度监督的网络(DSN)组成。其模型的DSN组件为多级特征学习提供直接监督，便于每个卷积层的特征学习。
在他们的研究中，研究人员还引入了一个公共基准数据集，其中包含手动注释的裂缝图像，可用于评估裂缝检测系统。此外，他们建立了完整的指标来评估裂缝检测系统，例如语义分段测试，精确回忆曲线和接收器操作特性(ROC)曲线。
研究人员使用他们设计的数据集和指标评估了DeepCrack并将其与其他裂缝分割方法进行了比较。在这些评估中，他们的方法以及其他最先进的技术。他们现在正计划进一步开发他们的方法，同时还在他们的基准数据集中添加更多虚假裂缝区域的图像，以使其更加全面。