一种道路裂缝检测的变尺度VS-UNet模型

摘要

为解决目前现有的图像分割算法存在检测精度低、对裂缝检测缺乏针对性等问题，采用多尺度特征融合方法，提出一种扩展LG Block模块Extend-LG Block，其由多个并行不同膨胀率的空洞卷积组成.通过参数可调节分支数量和空洞卷积膨胀率，从而改变其感受野大小，进而提取和融合不同尺度的裂缝特征.对比在深层使用多尺度特征融合模块的网络以及使用固定尺度结构进行多尺度特征融合的网络的优劣，提出一种变尺度结构的UNet模型VS-UNet，使用多个不同参数的Extend-LG Block替换UNet网络中的基本卷积块.该结构在网络浅层进行多尺度特征融合，多尺度特征融合模块提取的尺度随网络层加深逐渐减少.此结构在加强图像的细节特征提取能力的同时保持原有的抽象特征提取能力，还可避免网络参数的增加.在DeepCrack数据集以及CFD数据集上进行实验验证，结果表明，相较于其他两种结构和方法，提出的变尺度结构的网络在有更高检测精度的同时，在可视化实验对比上对各种大小的裂缝有更好的分割效果.最后与其他图像分割算法进行对比，各项指标与UNet相比均有一定程度提升，证明了网络改进的有效性.研究结果可为进一步提升道路裂缝检测效果提供参考.

关键词

U-Net / 多尺度 / 裂缝检测 / 空洞卷积 / 深度学习