结合差分引导融合的双分支裂缝检测网络

摘要

裂缝检测对于土木基础设施的维护至关重要，若不及时处理，可能导致整体结构进一步恶化，同时裂缝也是结构健康评估与监测中不可忽视的关键指标。然而，由于裂缝复杂的拓扑特征和背景噪声，现有的卷积神经网络（CNN）虽然在局部特征提取方面表现优秀，但其感受野受限，难以高效捕捉图像中相距较远区域之间的联系。因此，提出了一种双分支CNN融合架构DCFNet,通过扩展瓶颈分支（expand bottleneck module, EBM）与边缘感知多尺度分支（edge-aware multi-scale module, EAMS）逐层扩展通道维度，捕获裂缝局部的细节轮廓与结构变化。此外，设计的差异信息动态融合模块（differential information dynamic fusion block, DIDF）通过调整不同尺度的特征，建立双分支信息的全局关联，实现跨域融合和相关性增强。最后以公开的裂缝数据集为实验对象，对所提出的DCFNet网络的性能进行评估。实验结果表明，DCFNet在MixCrack数据集上的F₁分数、mAP50和mAP50-95分别达到了90、93.4%和77.8%,在各种场景下都优于现有的网络算法。

关键词

裂缝检测 / 双路径网络 / 边缘感知 / 动态融合