基于轻量化DeblurGAN-MobileNet模型的混凝土裂缝图像识别

摘要

基于神经网络模型的混凝土表面裂缝图像识别已成为有效的混凝土建筑物缺陷识别方法并得到广泛关注。然而，由于无人机、智能车等搭载的识别设备在运动过程中获取的图像模糊影响了裂缝识别的准确性，并且深度神经网络模型的复杂度较高，限制了其在资源受限的混凝土裂缝智能识别设备上的开发应用。因此，设计了一种基于轻量化的去模糊生成对抗网络和可移动网络（deblurring generative adversarial network and mobile network,DeblurGAN-MobileNet）模型的混凝土裂缝图像识别网络，有效提升了在运动模糊背景下混凝土裂缝图像识别的准确度及推理速率。首先，在去运动模糊网络DeblurGAN-V2的特征金字塔网络（feature pyramid network,FPN）中，采用“X”型的交叉网络对特征金字塔网络的内部结构进行改进，解决了在图像的跨尺度特征融合过程中因不同尺度特征的分辨率不同，造成特征融合分辨率贡献不均，以及最高维和最低维的特征融合图像信息丢失大的问题；然后，在图像分类网络MobileNetV3的Bottleneck中加入不同空洞率的空洞卷积并逐级联入网络，降低了网络计算复杂度，同时能够在不改变图像尺寸的情况下增大感受视野，提升识别准确率。在不同数据集上的运动模糊复原和裂缝图像识别实验结果表明，所提方法在去运动模糊效果和运动模糊背景下的识别精度方面表现优异。在GOPRO运动模糊数据集和自制混凝土图像数据集上的峰值信噪比（PSNR）分别达到了23.51和21.95，对混凝土裂缝图像的识别精准率为0.889，且推理速率高，平均每张图像仅需0.47 s。

关键词

混凝土裂缝图像识别 / 运动模糊复原 / 深度学习