A Novel Approach for Detection of Pavement Crack and Sealed Crack Using Image Processing and Salp Swarm Algorithm Optimized Machine Learning

Table 2

Prediction performance comparison

Class label	Indices	IP-SSA-SVM		Adam-DCNN		RFC		Adam-BPANN
		Mean	Std.	Mean	Std.	Mean	Std.	Mean	Std.
Noncrack	CAR (%)	90.50	5.33	89.50	7.44	86.50	5.97	79.33	8.28
	Precision	0.85	0.11	0.86	0.14	0.63	0.18	0.60	0.18
	Recall	0.87	0.09	0.86	0.13	0.96	0.08	0.74	0.16
	NPV	0.93	0.05	0.92	0.11	0.99	0.02	0.89	0.08
	F1 Score	0.85	0.08	0.85	0.10	0.74	0.13	0.65	0.16
Sealed crack	CAR (%)	92.83	4.75	88.33	3.67	75.17	6.35	82.00	7.98
	Precision	0.92	0.11	0.85	0.08	0.97	0.05	0.76	0.16
	Recall	0.88	0.07	0.82	0.08	0.58	0.06	0.72	0.12
	NPV	0.94	0.04	0.90	0.05	0.64	0.09	0.85	0.07
	F1 Score	0.89	0.08	0.83	0.05	0.73	0.05	0.73	0.13
Crack	CAR (%)	91.33	4.24	86.17	6.60	88.67	3.81	79.33	8.89
	Precision	0.86	0.10	0.76	0.17	0.66	0.11	0.76	0.13
	Recall	0.89	0.09	0.81	0.12	1.00	0.00	0.68	0.13
	NPV	0.94	0.05	0.92	0.05	1.00	0.00	0.81	0.10
	F1 Score	0.87	0.07	0.78	0.14	0.79	0.08	0.71	0.11