基于Mask R-CNN的像素级路面病害评估研究
原帖
**使用实例分割实现像素级路面病害评估**
_Pixel-Level Pavement Distress Assessment Using Instance Segmentation_
> 本文提出了一种基于Mask R-CNN实例分割的视觉路面病害分析系统，并在自建的UWGB-StreetCrack数据集上进行了评估。研究比较了五种Detectron2的Mask R-CNN骨干网络变体，其中表现最佳的ResNet-101 FPN模型在特定评估协议下达到了84.23%的精确率、90.04%的召回率和87.04%的F1分数。该模型预测的裂缝面积比例与真实值非常接近。研究还与基于CSPDarknet53的YOLO检测器进行了对比，结果显示实例分割在野外路面图像分析和整体裂缝面积估算方面更具实用价值，同时也指出了标注一致性、类别不平衡等挑战。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-26 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.26095)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
该帖子介绍了HuggingFace Daily Papers上的一篇论文，提出了一种基于Mask R-CNN实例分割的路面病害分析系统，并在UWGB-StreetCrack数据集上进行了评估。
答案说明
该帖子介绍了一篇使用Mask R-CNN进行实例分割以实现像素级路面病害评估的论文，其中最佳的ResNet-101 FPN模型在评估中表现出色，并指出实例分割在裂缝分析方面比YOLO检测更具实用价值。
这篇帖子回答的问题
- 该研究使用什么方法进行路面病害评估？
- Mask R-CNN与YOLO在路面病害分析中的对比结果如何？
核心观点
- 该帖子介绍了HuggingFace Daily Papers上的一篇论文，提出了一种基于Mask R-CNN实例分割的路面病害分析系统，并在UWGB-StreetCrack数据集上进行了评估。
FAQ
- Q: 该研究中提到的主要挑战是什么？
- A: 帖子指出，该研究指出了标注一致性、类别不平衡等挑战。
关键实体
- Mask R-CNN
- YOLO
- HuggingFace