可在边缘设备上部署的裂纹检测技术：结合基于GAN的合成技术与MCANet-tiny实现实时检测

《Expert Systems with Applications》：Edge-deployable crack detection: synergizing GAN-based synthesis with MCANet-tiny for real-time inspection

　　

Jia Chen|Shuyang Chen|Zhenliang Jiang|Yun Que|Yining Chen|Jingwen Wang

摘要

沥青路面的裂缝对安全构成了重大威胁。尽管深度学习有助于裂缝检测，但现有模型在准确性与移动计算资源的限制之间难以取得平衡，而数据稀缺进一步加剧了这一挑战。为了解决这一问题，本研究通过一个面向应用的集成协同设计框架，将高保真生成增强技术与基于边缘的轻量级分类器相结合。首先，设计了RoadFreq-GAN框架，该框架结合了频率感知判别器和坐标注意力（CA）机制，用于生成多样且纹理丰富的裂缝图像。随后，采用基于边缘的架构协同设计策略，对MobileNetV3-Small模型进行了优化，形成了MCANet-Tiny模型，通过引入“Tiny”剪枝技术（包括深度适应和全局通道缩放）大幅减少了模型冗余。实验结果表明，MCANet-Tiny在具有挑战性的跨数据集测试基准测试中达到了93.40%的准确率。更重要的是，与基线模型相比，该协同设计策略将模型参数减少了92.1%（降至0.12百万个），浮点运算次数减少了83.3%（降至0.02次）。在华为P50 Pro、Radxa Cubie A7A和Orange Pi 3B三种边缘设备上的实地验证显示，该模型具备出色的实时性能：在华为P50 Pro上，INT8量化版本的模型每秒可处理166.67帧图像，准确率为94.26%。该方法在保持较高准确率的同时，效率超越了现有的轻量级模型，为实时、设备端的路面检测提供了一种可行的解决方案。