基于改进DeepLabV3+在复杂环境下的道路裂缝检测

摘要

有效的道路裂缝检测是保障道路安全的关键。针对现有道路裂缝检测方法效率低，检测结果易受检测环境影响的问题，文章结合深度学习与计算机视觉技术，在DeepLabV3+架构的基础上提出了一种适用于复杂道路场景下的道路裂缝检测网络Crack-Deeplab。Crack-Deeplab引入新颖的网络模块和结构设计，具有轻量化、强泛化的特点以及精细分割的能力。文章基于数据集Crack500进行试验，验证和测试数据集的裂缝交并比(Intersection over Union, IoU)分别达到了0.67和0.58,比现有的网络有明显提高；另外，采用复杂环境下拍摄的广州大学校内道路图片对该网络进行实际工程验证，基于Crack500数据训练的Crack-Deeplab在无需新增附加训练数据的情况下，能精准识别和分割出不同场景及环境下校内道路的裂缝，证明了该方法的有效性和鲁棒性，以及在实际工程中的应用价值。

关键词

裂缝检测 / 深度学习 / 语义分割 / 计算机视觉