领先的路面裂缝检测：数据集与模型

领先的路面裂缝检测：数据集与模型

在这个开源项目中，我们分享了我们在路面裂缝检测领域的最新研究成果——基于特征金字塔和分层增强网络（FPHB）。该研究详细阐述在我们的论文“特征金字塔和层次增强网络用于路面裂缝检测”（T-ITS 2019）中，您可以在这里找到ResearchGate或ArXiv阅读。

项目提供了一个全面的数据包，包括用于训练和测试的路面裂缝数据集、预处理结果、训练好的模型以及划线工具。所有这些资源都可以通过Google Drive、OneDrive和Baidu Yunpan提取码:jviq 获取。

安装说明

1. 确保已安装Caffe所需的依赖项。
2. 克隆项目仓库：

   git clone https://github.com/fyangneil/pavement-crack-detection.git
   

3. 构建Caffe：

   cd $ROOT_DIR/pavement-crack-detection
   make -j8 & make pycaffe
   

训练与测试

训练和测试过程与HED类似，具体步骤可以参考这里。以CRACK500数据集为例，以下是设置实验的步骤：

1. 在pavement-crack-detection/data目录下创建一个名为"crack"的文件夹。
2. 下载CRACK500并将其解压缩到该文件夹，并将"train.txt"放在"crack"文件夹内。
3. 从此处下载全卷积VGG模型，并将其放入pavement-crack-detection/examples/fphb目录。
4. 使用solve_fphb_crack.py或solve_fpn_crack.py对CRACK500数据进行fpn和fphn模型的训练。

测试阶段，也可以按照同样的方式处理其他数据集。

应用场景

这项技术在道路维护领域有着广泛的应用，例如：

1. 实时路面监控: 结合无人机或车载摄像头，自动检测路面状况，提高道路安全性和维修效率。
2. 智能城市规划: 为城市基础设施管理和决策提供支持，确保公共设施的完好性。
3. 远程评估: 用于远程评估远离城市的偏远地区道路状态。

项目特点

1. 强大的模型: FPHB模型利用特征金字塔和分层增强，提高了路面裂缝识别的准确性和鲁棒性。
2. 详尽的数据集: 提供多种路面裂缝数据集，覆盖多种环境和条件，有助于模型的泛化能力提升。
3. 易于使用的工具: 提供训练脚本和测试脚本，简化了模型训练和应用的过程。
4. 社区支持: 开源社区活跃，如果在使用过程中遇到问题，可以通过邮件向作者求助。

如果你发现这个项目对你有所帮助，请给予它一个星星的支持！让我们一起推动道路安全的技术进步。