English(EN) Balancing Real and Synthetic Data for CNN-based Masonry Crack Detection

合成数据提高了砌体裂缝检测精度

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-09 04:00

研究人员开发了一种方法，利用卷积神经网络（CNN）提高砌体裂缝检测的准确性。他们发现，使用合成裂缝图像和真实裂缝图像的组合来训练CNN可以显著提高性能。具体来说，仅使用20%的真实数据和合成数据，其效果就可与仅使用真实数据相媲美，甚至在某些情况下更好。 AI

影响这项研究通过减少对大量真实世界数据收集的需求，可能带来更高效、更准确的结构健康监测系统。

排序理由学术论文，详细介绍了图像分析的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Mattia Forlesi, Alfonso Esposito, Ivan Zyrianoff, Alessandro Marzani, Marco Di Felice · 2026-06-09 04:00

用于基于CNN的砖石裂缝检测的真实数据与合成数据平衡

arXiv:2606.08033v1 Announce Type: cross Abstract: Cracks are a critical indicator of building health, and early stage identification is fundamental to prevent harmful damages. Advances in deep learning (DL), particularly convolutional neural networks (CNNs), have enabled scalable…