摘要

为避免依托人工进行隧道定期检测方式中由于工作人员的专业水平差异及个人主观性对检测结果的影响,同时降低人工参与成本,提高巡检检测效率,提升检测精度,降低病害的漏检、错检概率,推动隧道检测智能化、数字化提升,提出了一种基于DeeplabV3+模型改进的快速隧道病害分割方法。采用Google团队提出的MobileNet-V2轻量化网络替换了原DeeplabV3+模型中的Xception主干网络。引入当前较为热门的主流且分割效果好的PSPNet, U-Net,与原网络、改进后的网络模型进行了多个项目的试验对比。所有模型均经过多次调参训练已达到最好效果。结果表明:原网络的准确率为97.67%,mAP为92.30,mIoU为85.01%,图片处理速度为9.211FPS,使用MobileNet-V2网络替换Xception作为DeepLabV3+的主干网络,其准确率为98.09%,mAP为94.38%,mIoU为85.14%,FPS为13.409,均为所有网络中最优值;在保证高性能图像分类准确率、分割精确度、交并比的前提下,图像分割网络的运算速度与效率提升了45.6%。U-Net模型、PSPNet模型的FPS分别为10.173,11.852,mIoU分别为78.58%,64.56%。改进网络的效率较U-Net, PSPNet的效率分别提高了31.8%,13.1%,mIoU分别提高了4.89%,23.87%;该方法不仅提升了图像处理速度,同时可以使得小型化低性能设备上部署图像分割任务变得可行,并且满足在小型移动设备上部署的要求。