-
题名基于双分支融合与多尺度语义增强的裂缝检测
- 1
-
-
作者
李婕
李焕文
涂静敏
刘钊
姚剑
李礼
-
机构
湖北工业大学电气与电子工程学院
武汉大学遥感信息工程学院
武汉大学深圳研究院
-
出处
《计算机工程与应用》
北大核心
2025年第22期329-338,共10页
-
基金
国家自然科学基金(U22A2009,42301515)
四川省高校智能光电系统传感与应用重点实验室项目(ZNGD2308)
深圳市科技项目(JCYJ20230807090206013)。
-
文摘
细粒度裂缝作为路面裂缝形成早期阶段,对其进行检测和修复可以及早消除安全隐患,降低维护成本。细粒度裂缝除拓扑结构复杂外,还具有宽度微小、尺度多变的几何特征,在复杂路面背景下,现有方法容易出现漏检且对裂缝宽度感知精度不高的问题。针对此,提出了一种基于双分支选择性融合与多尺度语义增强的路面细粒度裂缝检测方法。设计了增强自注意力机制和卷积神经网络(convolutional neural network,CNN)的双分支并行主干网络,从局部和全局同时进行特征提取,逐层丰富特征表示;提出了冗余减少和选择性特征融合(redundancy reduction and feature selective fusion,RSF)模块,实现双分支全局和局部信息的学习和交互,增强特征的表达能力;采用了多尺度语义增强融合策略,通过跨尺度的信息传递和融合,提升模型对细粒度裂缝特征的感知能力。为了验证该方法的有效性和可靠性,在CrackTree260公共数据集上进行了训练和测试,并在CRKWH100数据集上评估模型的泛化性能。实验表明,所提出的方法在两个数据集上分别达到了0.909和0.918的ODS值,优于其他先进的裂缝检测方法。
-
关键词
细粒度裂缝检测
自注意力机制
卷积神经网络(CNN)
多尺度特征融合
语义增强
-
Keywords
fine-grained crack detection
self-attention mechanism
convolutional neural network(CNN)
multi-scale feature fusion
semantic enhancement
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
