一种高精度路面裂缝检测网络结构:Crack U-Net

• 作者: 祝一帆 王海涛 李可 吴贺俊
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 道路路面 裂缝检测 深度学习 图像分割
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 计算机图形学&多媒体|Computer Graphics & Multimedia
• 页码范围: 204-211
• 页数: 8页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.210100128

摘要

路面裂缝对行车安全有很大的潜在威胁,以往的人工检测方法效率不高.现有裂缝检测方法模型泛化能力低,在复杂背景下的裂缝分割能力差且效率不高.为了解决这些问题,文中提出了一种基于编码器-解码器结构的新改进型网络结构Crack U-Net,目的是提高路面裂缝检测的模型泛化性以及检测精度.首先,Crack U-Net用密集连接结构增强了基于编码器-解码器的网络U-Net模型,在以往结构的基础上提高了网络各层特征信息利用率,增强了模型的鲁棒性;其次,Crack U-Net使用由残差块和mini-U组成的Crack U-block作为网络的基础卷积模块,相比传统双层卷积层,Crack U-block可以提取出更丰富的裂缝特征;最后,在Crack U-Net的下采样节点中使用了空洞卷积替代传统卷积核,以充分捕获图像边缘的裂缝特征.为验证Crack U-Net模型的有效性,在公开裂缝数据集上进行了一系列测试.实验结果显示,Crack U-Net在数据集上的AIU值比以往方法提升了2.2％,在裂缝分割精度、泛化性上都优于现有方法.另外,参数轻量化部分的实验证明,Crack U-Net可以进行很大程度的模型剪枝,无人机等移动设备将可满足剪枝后的Crack U-Net模型所需的计算资源.