论文标题：Advances in deep learning methods for pavement surface crack detection and identification with visible light visual images 论文链接：https://arxiv.org/abs/2012.14704 作者单位：杰瑞科技（JARI, 上海） 据作者称，本文首次全面总结了路面裂缝公共数据集，并比较了三种主要的路面裂缝检测方法（即手工特征，机器学习，深度学习）的优缺点。最后，从模型架构，性能等方面介绍了典型的深度学习模型。

与无损检测和工程结构裂缝健康监测方法相比，基于可见光图像的表面裂缝检测或识别是非接触式的，具有速度快，成本低，精度高的优点。首先，收集了典型的路面（也是混凝土）裂缝公共数据集，并总结了样本图像的特征以及环境，噪声和干扰等随机变量因素。随后，比较了三种主要的裂纹识别方法（即手工特征工程，机器学习，深度学习）的优缺点。最后，从模型架构，测试性能和预测有效性等方面来看，典型的深度学习模型（包括自建的CNN，传递学习（TL）和编码器-解码器（ED））的发展和进步可以轻松部署在嵌入式平台，进行了调研。基准测试表明：1）能够在嵌入式平台上实现实时的像素级裂缝识别：使用ED方法（即， FPCNet）或基于InceptionV3的TL方法。使用基于MobileNet（轻量级骨干基础网络）的TL方法，可以将其缩短到10ms以内。 2）就准确度而言，CCIC可以达到99.8％以上，人眼可以轻松识别。在SDNET2018上，其中一些样本难以识别，FPCNet可以达到97.5％，而TL方法接近96.1％。

据我们所知，本文首次全面总结了路面裂缝公共数据集，并对嵌入式平台的表面裂缝检测与识别深度学习方法的性能和有效性进行了回顾和评估。