优化纹理匹配的路面裂缝检测模型

摘要

深度学习裂缝检测在特征提取过程中易发生信息丢失和位置偏移，面临复杂纹理路面背景和阴影等噪声干扰时出现裂缝的误检和漏检。提出一种基于参考的超分辨率思想的裂缝纹理匹配方法。优化后的上下文注意力模块(global context block, GC block)增强特征图片中像素间的空间依赖，随后从上层编码层参考图像中借用高分辨率空间纹理来补偿低分辨率特征图像中的信息损失，构建用于路面裂缝检测的纹理匹配网络(texture matching network, TMNet)模型。在公开数据集Crack500、DeepCrack和自建数据集上对预测模型进行验证。结果表明：所提出的TMNet在2个公开数据集和自建数据集上MIoU分别达到78.35%、89.86%和77.68%,相较于其他对比网络，能在细节纹理恢复上拥有更好的结果。

关键词

路面裂缝检测 / 语义分割 / 参考的超分辨率 / 注意力机制 / 纹理匹配