Crack grid detection and calculation based on convolutional neural network

Pavement crack detection has always been an important problem in pavement maintenance. With rapid development in computer vision technology, crack detection using deep learning has become one of the major tasks in automatic pavement condition detection and assessment. This paper aims to develop a method of crack grid detection based on convolutional neural network. First, an image denoising operation is conducted to improve image quality. Next, the processed images are divided into grids of different scales (10 x 10, 20 x 20, 30 x 30), and each grid is fed into a convolutional neural network for detection. The pieces of the grids with cracks are marked and then returned to the original images. Finally, on the basis of the detection results, threshold segmentation is performed only on the marked grids. Information about the crack parameters is obtained via pixel scanning and calculation, which realizes complete crack detection. The experimental results show that 30 x 30 grids perform the best with the accuracy value of 97.33%. The advantage of automatic crack grid detection is that it can avoid fracture phenomenon in crack identification and ensure the integrity of cracks. Thresholding smaller grids allows better combinations of the differences between objects and backgrounds, which makes segmentation results more accurate. Key words: convolutional neural network, pavement crack detection, maximum entropy threshold segmentation, crack type judgment, parameter calculation. La detection de fissures dans la chaussee a toujours ete un probleme important dans l'entretien de la chaussee. Avec le developpement rapide de la technologie de vision par ordinateur, la detection des fissures par l'application de l'apprentissage en profondeur est devenue l'une des taches principales de la detection et de l'evaluation automatiques de l'etat des chaussees. Cet article vise a developper une methode de detection de fissures par grille, et ce, basee sur un reseau neuronal convolutif. Tout d'abord, une operation de debruitage d'images est effectuee pour ameliorer la qualite d'image. Ensuite, les images traitees sont divisees en grilles differentes (10 x 10, 20 x 20, 30 x 30), et chaque grille est alimentee dans un reseau neuronal convolutif pour la detection. Les morceaux des grilles avec des fissures sont marques puis retournes aux images originales. Enfin, sur la base des resultats de detection, la segmentation des seuils n'est effectuee que sur les grilles marquees. L'information sur les parametres des fissures est obtenue par le balayage et le calcul des pixels, qui realisent la detection complete de fissures. Les resultats experimentaux montrent que les grilles 30 x 30 sont les plus performantes avec une precision de 97,33%. L'avantage de la detection automatique des fissures par grille est qu'elle peut eviter le phenomene de rupture lors de l'identification des fissures et assurer l'integrite des fissures. Des grilles plus petites permettent une meilleure combinaison des differences entre les objets et les arriere-plans, ce qui rend les resultats de segmentation plus precis. [Traduit par la Redaction] Mots-cles: reseau neuronal convolutif, detection de fissures dans la chaussee, segmentation maximale du seuil d'entropie, jugement du type de fissure, calcul de parametres.
Introduction Pavement maintenance has always been a very important problem, which is inseparable from the detection of pavement distress. After protracted use, any pavement, whether made of asphalt or cement, [...]