复杂场景下多类型路面病害分割方法

作者：张在岩; 宋伟东^*; 陈兆雪

来源：测绘通报, 2023, (12): 63-69.

DOI：10.13474/j.cnki.11-2246.2023.0360

• 深度学习
• 复杂场景
• CPCD
• 语义分割
• 路面病害

多类型路面病害的自动分割对于提升公路养护管理水平具有重要意义。大规模、多场景、多类型路面病害训练数据的缺乏，降低了深度学习模型在复杂场景下的泛化能力，限制了路面病害提取算法工程化应用的发展。为此，本文收集并建立了一个用于多类型路面病害分割的数据集CPCD,旨在从CCD图像中分割出高精度的路面病害。新数据集涵盖了7种常见路面病害类型，以及带有纹理相似噪声的负样本，合计6967张。在此基础上，提出了一种基于注意力机制与高分辨率网络相融合的病害分割卷积神经网络CBAM-HRNet,用于提升细小病害分割的精度。试验结果表明，本文模型在CPCD测试集上的F1、mIoU分别为91.30%、84.64%,其表现明显优于其他串联结构的主流卷积神经网络模型。研究成果将为我国公路自动化检测研究和可持续发展提供一定的支撑。

• 单位
  黑龙江科技大学; 辽宁工程技术大学