基于残差和注意力机制的道路裂缝检测U-Net改进模型

作者：于海洋; 景鹏; 张文涛; 谢赛飞; 滑志华; 宋草原

来源：计算机工程, 2022, 1-14.

DOI：10.19678/j.issn.1000-3428.0064952

• 裂缝检测
• 深度学习
• U-Net神经网络
• 注意力机制
• 残差结构

道路裂缝是道路安全检测的重要部分，随着深度学习和计算机视觉的发展，利用深度学习的方法对道路图像中裂缝信息提取的方法趋于成熟。针对现有深度学习道路裂缝检测方法细小裂缝提取不完整以及背景因素干扰导致检测精度较低的问题。基于CBAM注意力机制和残差网络方法，改进U-Net神经网络模型，建立了一种融合残差和注意力机制的道路裂缝检测深度学习网络模型。该模型在U-Net网络的上采样和下采样过程中分别嵌入通道注意力机制和空间注意力机制，注意力机制在通道和空间维度上同时进行全局平均和全局最大混合池化，能够提取到更多有效的全局和局部细节信息。同时在U-Net网络中融合残差模块，有效避免网络梯度消失、梯度爆炸以及网络退化的问题，进一步提升道路裂缝的检测能力。消融实验和对比实验结果表明，嵌入注意力机制的网络与原始网络对比，F1值由67.26%提升到81.02%，提升了13.76%。融合残差模块并嵌入注意力机制的网络与只嵌入注意力机制的网络对比，F1值由81.02%提升到85.81%，提升了4.79%。

• 单位
  河南理工大学