論文の概要: A Real-time Concrete Crack Detection and Segmentation Model Based on YOLOv11

• arxiv url: http://arxiv.org/abs/2508.11517v1
• Date: Fri, 15 Aug 2025 14:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:24.056129
• Title: A Real-time Concrete Crack Detection and Segmentation Model Based on YOLOv11
• Title（参考訳）: YOLOv11に基づくリアルタイムコンクリートのひび割れ検出とセグメンテーションモデル
• Authors: Shaoze Huang, Qi Liu, Chao Chen, Yuhang Chen,
• Abstract要約: 本稿では, YOLOv11nアーキテクチャに基づくマルチタスクコンクリートのひび割れ検出とセグメンテーションモデルであるYOLOv11-KW-TA-FPを提案する。 実験による検証では、拡張されたモデルがベースライン上での大幅なパフォーマンス向上を実現している。
• 参考スコア（独自算出の注目度）: 15.031712782615797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accelerated aging of transportation infrastructure in the rapidly developing Yangtze River Delta region necessitates efficient concrete crack detection, as crack deterioration critically compromises structural integrity and regional economic growth. To overcome the limitations of inefficient manual inspection and the suboptimal performance of existing deep learning models, particularly for small-target crack detection within complex backgrounds, this paper proposes YOLOv11-KW-TA-FP, a multi-task concrete crack detection and segmentation model based on the YOLOv11n architecture. The proposed model integrates a three-stage optimization framework: (1) Embedding dynamic KernelWarehouse convolution (KWConv) within the backbone network to enhance feature representation through a dynamic kernel sharing mechanism; (2) Incorporating a triple attention mechanism (TA) into the feature pyramid to strengthen channel-spatial interaction modeling; and (3) Designing an FP-IoU loss function to facilitate adaptive bounding box regression penalization. Experimental validation demonstrates that the enhanced model achieves significant performance improvements over the baseline, attaining 91.3% precision, 76.6% recall, and 86.4% mAP@50. Ablation studies confirm the synergistic efficacy of the proposed modules. Furthermore, robustness tests indicate stable performance under conditions of data scarcity and noise interference. This research delivers an efficient computer vision solution for automated infrastructure inspection, exhibiting substantial practical engineering value.
• Abstract（参考訳）: 急速に発展しているヤンツ川デルタ地域の交通インフラの老朽化は、ひび割れの悪化が構造的整合性と地域経済の成長を著しく損なうため、効率的なコンクリートのひび割れ検出を必要とする。 そこで本研究では, YOLOv11nアーキテクチャに基づくマルチタスクコンクリートのひび割れ検出とセグメンテーションモデルであるYOLOv11-KW-TA-FPを提案する。 提案手法は,(1)動的カーネル共有機構を通じて特徴表現を強化するためにバックボーンネットワーク内に動的カーネルウェアハウス畳み込み(KWConv)を埋め込み,(2)チャネル間相互作用モデリングを強化するために特徴ピラミッドにトリプルアテンション機構(TA)を組み込むこと,(3)適応的バウンディングボックス回帰ペナル化を容易にするFP-IoU損失関数の設計である。 実験による検証では、改良されたモデルでは91.3%の精度、76.6%のリコール、86.4%のmAP@50がベースライン上で大幅に改善されている。 アブレーション研究により提案したモジュールの相乗効果が確認された。 さらに、ロバスト性試験は、データ不足とノイズ干渉の条件下での安定した性能を示す。 本研究は、インフラ自動検査のための効率的なコンピュータビジョンソリューションを提供し、実質的な工学的価値を示す。

関連論文リスト

• YOLO-APD: Enhancing YOLOv8 for Robust Pedestrian Detection on Complex Road Geometries [0.0]
  本稿では,この課題に特化してYOLOv8フレームワークを改良した新しいディープラーニングアーキテクチャであるYOLO-APDを紹介する。 YOLO-APDは最先端の精度を達成し、77.7% mAP@0.5:0.95、例外的な歩行者リコールは96%を超えた。 リアルタイム処理能力を100 FPSで維持し、精度と効率のバランスが優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-07T18:03:40Z)
• Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization [3.1687473999848836]
  亀裂検出は、道路、橋、建物などのインフラの維持と安全性において重要な役割を担っている。 伝統的に手動検査が標準であったが、労働集約的で主観的で危険である。 本稿では, 深層学習, 移動学習, 空間的注意機構, 遺伝的アルゴリズム(GA)最適化を活用した, インフラのひび割れ検出のための高度な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T06:12:56Z)
• EfficientCrackNet: A Lightweight Model for Crack Segmentation [1.3689715712707347]
  き裂検出は、建物、舗装、橋の構造的整合性を維持するために不可欠である。 既存の軽量な手法は、計算の非効率性、複雑な亀裂パターン、難易度などの課題に直面していることが多い。 本稿では,CNN(Convolutional Neural Networks)とトランスフォーマーを組み合わせた軽量ハイブリッドモデルであるEfficientCrackNetを提案する。
  論文  参考訳（メタデータ） (2024-09-26T17:44:20Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• YOLO9tr: A Lightweight Model for Pavement Damage Detection Utilizing a Generalized Efficient Layer Aggregation Network and Attention Mechanism [0.0]
  本稿では,舗装損傷検出のための軽量物体検出モデルYOLO9trを提案する。 YOLO9trはYOLOv9アーキテクチャに基づいており、機能抽出とアテンション機構を強化する部分的なアテンションブロックを備えている。 このモデルは、最大136FPSのフレームレートを実現し、ビデオ監視や自動検査システムなどのリアルタイムアプリケーションに適合する。
  論文  参考訳（メタデータ） (2024-06-17T06:31:43Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。