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

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。

关键词

路面裂缝 / 残差神经网络 / 二分法 / 裂缝最大内切圆半径 / 裂缝分级评估