Deep learning artificial intelligence (AI) is a booming area in the research field. It allows the development of end-to-end models to predict outcomes based on input data without the need for manual extraction of features. This paper aims for evaluating the automatic crack detection process that is used in identifying the cracks in building structures such as bridges, foundations or other large structures using images. A hybrid approach involving image processing and deep learning algorithms is proposed to detect automatic cracks in structures. As cracks are detected in the images they are segmented using a segmentation process. The proposed deep learning models include a hybrid architecture combining Mask R-CNN with single layer CNN, 3-layer CNN, and8-layer CNN. These models utilizes depth wise convolution with varying dilation rates for efficiently extracting diversified features from the crack images. Further, performance evaluation shows that Mask R-CNN with a single layer CNN achieves an accuracy of 97.5% on a normal dataset and 97.8% on a segmented dataset. The Mask R-CNN with 2-layer convolution resulted in an accuracy of 98.32% on a normal dataset and 98.39% on a segmented dataset. The Mask R-CNN with 8-layers convolution achieves an accuracy of 98.4% on a normal dataset and 98.75% on a segmented dataset. The proposed Mask R-CNN have proved its feasibility in detecting cracks in huge building and structures.

中文翻译：

---

使用深度神经网络对裂缝进行基于视觉的分割和分类

深度学习人工智能 (AI) 是研究领域的一个蓬勃发展的领域。它允许开发端到端模型来根据输入数据预测结果，而无需手动提取特征。本文旨在评估用于使用图像识别桥梁、地基或其他大型结构等建筑结构裂缝的自动裂缝检测过程。提出了一种涉及图像处理和深度学习算法的混合方法来检测结构中的自动裂缝。由于在图像中检测到裂缝，因此使用分割过程对其进行分割。所提出的深度学习模型包括将 Mask R-CNN 与单层 CNN、3 层 CNN 和 8 层 CNN 相结合的混合架构。这些模型利用具有不同膨胀率的深度卷积来有效地从裂纹图像中提取多样化的特征。此外，性能评估表明，具有单层 CNN 的 Mask R-CNN 在正常数据集上的准确率达到 97.5%，在分段数据集上达到 97.8%。具有 2 层卷积的 Mask R-CNN 在正常数据集上的准确度为 98.32%，在分段数据集上为 98.39%。具有 8 层卷积的 Mask R-CNN 在正常数据集上的准确率达到 98.4%，在分段数据集上达到 98.75%。提出的 Mask R-CNN 已证明其在检测大型建筑物和结构中的裂缝方面的可行性。8% 在分段数据集上。具有 2 层卷积的 Mask R-CNN 在正常数据集上的准确度为 98.32%，在分段数据集上为 98.39%。具有 8 层卷积的 Mask R-CNN 在正常数据集上的准确率达到 98.4%，在分段数据集上达到 98.75%。提出的 Mask R-CNN 已证明其在检测大型建筑物和结构中的裂缝方面的可行性。8% 在分段数据集上。具有 2 层卷积的 Mask R-CNN 在正常数据集上的准确度为 98.32%，在分段数据集上为 98.39%。具有 8 层卷积的 Mask R-CNN 在正常数据集上的准确率达到 98.4%，在分段数据集上达到 98.75%。提出的 Mask R-CNN 已证明其在检测大型建筑物和结构中的裂缝方面的可行性。