Conference
Глубокое обучение для обнаружения дефектов в гражданском строительстве на основе данных дистанционного зондирования высокого разрешения
| Title: | Глубокое обучение для обнаружения дефектов в гражданском строительстве на основе данных дистанционного зондирования высокого разрешения |
|---|---|
| Authors: | Xiao, Shuoting, Fomin, N., Zhang, Yuwen, Ji, Zheng, Meng, Tianxin |
| Publisher Information: | Издательский дом «Ажур», 2023. |
| Publication Year: | 2023 |
| Subject Terms: | MARKOV RANDOM FIELD, STRUCTURAL DEFECTS, DEEP LEARNING, МАРКОВСКОЕ СЛУЧАЙНОЕ ПОЛЕ, СТРУКТУРНЫЕ ДЕФЕКТЫ, SATELLITE IMAGERY, ДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ, DEFECT DETECTION, ВЫЯВЛЕНИЕ ДЕФЕКТОВ, ГЛУБОКОЕ ОБУЧЕНИЕ, СПУТНИКОВЫЕ ИЗОБРАЖЕНИЯ, REMOTE SENSING |
| Description: | 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. |
| Document Type: | Conference object |
| File Description: | application/pdf |
| Language: | Russian |
| Access URL: | http://elar.urfu.ru/handle/10995/128555 |
| Accession Number: | edsair.od.......917..ec40e2089c0d3fa333a1ed794b076a9a |
| Database: | OpenAIRE |
| Description not available. |