基于Crack-YOLACT的道路裂缝提取

摘要

针对现有的道路裂缝检测算法多采用先检测再分割的方式，导致两个过程相互独立，在实际生产中效率不高的问题，本文提出一种端到端一体化的道路裂缝检测方法.首先，采用更加轻量化的裂缝主干特征提取网络，以降低计算成本并提高模型推理速度；然后，使用融合渐进式特征金字塔网络和空间自适应模块的裂缝特征融合模块，提高复杂场景下模型对小目标裂缝的检测能力；最后，将本文提出的方法在两个差异较大的数据集（车载扫描车采集的城市复杂街景数据和公开数据集Crack500）上进行了实验验证.结果表明，本文方法在两个数据集的道路裂缝检测任务中，准确率、召回率和综合评价指标F₁分数分别达到86.3%、84.1%、85.2%和82.4%、80.2%、81.3%.实验结果证明了本方法在识别细小裂缝方面的准确性，以及在不同实际环境中的鲁棒性.

关键词

道路裂缝 / 实例分割 / 注意力机制 / 轻量化网络

基金资助

福建省高校产学合作项目(2023H6032); 福建省交通运输科技项目(ZH202317); 国家自然科学基金(42071446)