基于残差神经网络和二分法的混凝土路面裂缝检测与分类

于志; 吴琼; 宋维; 司君蕊; 唐昌华; 时庆涛

doi:10.19292/j.cnki.jdxxp.2026.01.028

吉林大学学报(信息科学版) ›› 2026, Vol. 44 ›› Issue (1) : 167 -177. DOI: 10.19292/j.cnki.jdxxp.2026.01.028

基于残差神经网络和二分法的混凝土路面裂缝检测与分类

于志, 吴琼, 宋维, 司君蕊, 唐昌华, 时庆涛

作者信息 +

Author information +

文章历史 +

摘要

针对现有道路裂缝分类方法多依赖人工测量导致效率低下问题，提出了一种道路裂缝检测模型。首先基于Res Net50架构提出了COTECANet(Contextual Transformer Efficient Channel Attention Network)模型，其性能优于所对比的其他深度学习模型;然后针对该模型的检测结果，对存在路面裂缝的道路，基于二分法计算图像裂缝轮廓的最大内切圆半径，进而得到道路裂缝的最大像素宽度;最后根据相应比例换算可得到测量路面裂缝的实际宽度，并依据国家标准对道路裂缝的破损程度进行分类定级。实验结果表明，COTECANet模型可有效检测路面裂缝，其对道路裂缝识别的准确率达到99.8%。该方法为道路养护提供了更加科学有效的技术支持，具有重要的理论和工程应用前景。