脉冲神经网络提升路面裂缝精确检测：91.1%准确率

本文主要探讨了基于脉冲耦合神经网络的路面裂缝提取方法，针对裂缝在路面图像中的特性——通常比背景更暗，作者提出了结合赋时矩阵的脉冲耦合神经网络模型。这种方法首先对路面图像进行分割，通过识别裂缝与背景之间的光谱差异，粗略地定位裂缝区域。 脉冲耦合神经网络模型在此应用中发挥了重要作用，其模拟了神经元之间的信号传递，通过学习和调整权重来识别裂缝特征。结合赋时矩阵有助于优化处理过程，提高识别精度。这种方法在粗提取阶段的平均检测率达到了92.43%，但虚检率相对较高，为47.67%，这意味着在识别出的裂缝中有一部分是误报。 为了进一步提高精度，作者又引入了数字形态学的方法。基于裂缝区域通常比杂质区域大这一特性，通过计算每个连通区域内的像素数量，提出了一种新的连通区域提取算法。通过设置阈值（即阂值法），有效地剔除了杂质，实现了裂缝的精提取。这种方法在精提取阶段显示出了更好的性能，平均检测率为91.1%，虚检率降低到了7.68%。 这项研究将脉冲耦合神经网络和数字形态学相结合，显著提升了路面裂缝的检测准确性和效率。这对于道路工程领域，特别是公路路面裂缝的检测和维护具有重要的实际应用价值。研究成果对于优化道路维护策略、预防和修复裂缝，以及评估路面结构健康状况具有重要意义。该论文的研究成果被归类于道路工程、公路路面裂缝检测、脉冲耦合神经网络以及数学形态学等多个领域，为相关领域的研究提供了新思路和技术支持。