科研之友
微信
新浪微博
Facebook
分享链接
摘要
受路面复杂背景的干扰，既有的路面裂缝病害视觉检测算法易产生虚警和漏检问题。基于此，提出一种基于语义特征增强学习的路面裂缝病害检测方法。为了强化网络模型对图像浅层特征的利用，该算法以Unet++网络为裂缝检测的主框架，其通过融合更多的底层特征信息来提升裂缝病害检测的精度。在Unet++网络层间特征融合的基础上，根据不同卷积层的特征图属性，进一步差异性地引入视觉注意力计算模块，有效抑制背景杂波的干扰，减少虚警率。为了降低裂缝病害检测的漏检率，利用空洞卷积操作分别从2方面改进网络模型的训练过程：其一，应用空洞卷积代替传统的池化操作，通过网络的自动学习剔除无关紧要的特征信息，加强网络对细微裂缝特征的学习能力；其二，在网络上采样前，建立空洞卷积金字塔池化层，通过增加对裂缝特征的尺度多样性计算，保证网络模型在不同拍摄距离下裂缝病害检测的适用性。收集大量的路面裂缝图像数据并与不同算法进行对比分析，实验结果表明本算法取得了比全卷积网络、原始Unet++网络更优的裂缝检测效果。
-
单位电子工程学院; 石家庄铁道大学
