融合多尺度混合注意力与迁移学习的全卷积网络路面裂缝检测算法

摘要

针对传统裂缝检测算法在复杂路面场景中存在的多尺度特征丢失、背景干扰敏感等问题，本文提出一种融合多尺度混合注意力与迁移学习的全卷积网络(HA-FCN-TL)路面裂缝检测算法．首先，基于ResNet34预训练模型构建FCN主干网络，通过迁移学习策略加速模型收敛并增强特征表示能力;然后，设计混合注意力模块，在编码阶段将卷积块注意力(CBAM)与自注意力(Self-Attention)动态耦合，实现微观裂缝边缘增强与宏观拓扑连续性保持的协同优化，有效抑制路面污渍、光照不均等噪声干扰;最后，引入多尺度特征融合机制，利用跳跃连接跨层聚合浅层细节与深层语义信息．在DeepCrack数据集上的实验结果表明，该方法 在断裂纹理修复和弱裂缝检出方面优势明显，为复杂环境下路面结构安全评估提供了高鲁棒性解决方案．

关键词

路面裂缝检测 / 全卷积网络(FCN) / 迁移学习 / 混合注意力 / 多尺度特征融合 / 卷积块注意力模块(CBAM) / 自注意力

基金资助

国家自然科学基金重点项目(61833005); 国家重点研发计划(2020YFA0714300)