CMFuseNet:一种结合局部和全局特征的裂缝分割模型

摘要

裂缝是建筑结构损伤的早期征兆，及时识别与处理裂缝对结构维护至关重要。然而，现有基于卷积神经网络（convolutional neural network, CNN）的裂缝分割方法在背景干扰严重、裂缝拓扑结构复杂的情况下，仍存在分割精度不足和抗干扰能力弱的问题。为此，提出了一种结合CNN与Mamba的双编码分支裂缝分割模型（CMFuseNet）。该模型融合CNN强大的局部特征提取能力与Mamba优异的全局上下文建模能力，以增强对裂缝局部纹理细节与全局拓扑结构的感知。此外，设计了频域引导特征校准模块（frequency-guided feature calibration module, FFCM）,用于校准双编码分支融合后的特征，抑制跨域结合引入的噪声并增强特征间相关性。在Volker和TUT公开数据集上的实验表明，CMFuseNet在背景干扰强、裂缝细小等挑战性场景下，性能均优于5种先进对比方法，并以82.35%和83.16%的F₁分数在各自数据集上达到最优。

关键词

裂缝分割 / 局部和全局特征 / 双编码器架构 / 特征校准