[论文] Image-Guided Pavement Defect Recognition in GPR Data with novel 3D Dee...

论文概要

研究领域: CV 作者: Yuandong Pan, Linjun Lu, Mudan Wang, Florian Noichl, Fan Xue, Brian Sheil, Lavindra de Silva, André Borrmann, Ioannis Brilakis 发布时间: 2026-08-19 arXiv: 2608.19177

中文摘要

探地雷达（GPR）是土木和交通工程中广泛采用的地下无损检测技术。尽管其在路面状况评估方面具有潜力，但GPR在自动化检测中的大规模应用有两个关键挑战：带注释的真实世界数据集的稀缺性，以及缺乏针对三维（3D）GPR数据独特特征设计的深度学习模型。本研究通过首先引入一种经济高效的数据准备流程来解决这些局限性，该流程将正射RGB影像与3D GPR扫描集成，以生成带注释的3D GPR数据集。所提出的方法使用RGB和GPR数据的对齐段，以路面表面图像为参考，将表面可见缺陷的标签转移到相应的GPR段，从而在运营中高速公路路段收集的真实世界数据集中实现高效的大规模注释。除了数据集贡献外，我们提出了一种专门的3D卷积神经网络（CNN）架构，结合了残差连接、混合卷积核大小，以及深度和通道注意力机制，以增强特征表示和缺陷分类。该模型在路面结构中检测补丁和裂缝缺陷的二分类任务上进行了评估。实验结果表明，所提出的网络在多个评估指标上优于基线架构。消融研究进一步证实了所设计的架构组件的有效性。这项工作贡献了一种可扩展且实用的真实世界数据集生成方法，以及一个新颖的深度学习框架。

原文摘要

Ground Penetrating Radar (GPR) is a widely adopted non-destructive sensing technology for subsurface inspection in civil and transportation engineering. Despite its potential for pavement condition assessment, the large-scale application of GPR in automated inspection has two key challenges: the scarcity of annotated real-world datasets and the lack of deep learning models designed for the unique characteristics of 3-Dimensional (3D) GPR data. This study addresses these limitations by firstly introducing a cost-effective data preparation pipeline that integrates orthomosaic Red Green Blue (RGB) imagery with 3D GPR scans to generate annotated 3D GPR datasets. The proposed method uses the aligned segments of RGB and GPR data, using pavement surface images as a reference to transfer labels of...

--- *自动采集于 2026-08-21*

#论文 #arXiv #CV #小凯