基于双路径注意力ResNet18模型的桥梁裂缝识别研究

摘要

针对桥梁表观裂缝智能检测领域所面临的多重技术挑战，包括复杂背景纹理干扰、光照分布不均、识别推理速度慢以及模型泛化能力不足等关键问题，提出了一种集成双路径注意力机制的轻量化残差网络架构解决方案。首先，通过4阶段数据增强流程，即直方图均衡化、对比度增强、中值滤波、二值化滤波处理，将原始600张样本数据扩展至2 400张，有效提升了模型的泛化性能与鲁棒性。然后，在ResNet18骨干网络基础上，融合SE(Squeeze-and-Excitation)注意力模块与CBAM (Convolutional Block Attention Module),构建了SE-CBAM-ResNet18融合模型。其中，SE注意力模块通过特征压缩-激励操作对裂缝敏感的特征通道进行自适应加权；CBAM则利用空间注意力机制聚焦于形态学损伤区域。实验验证表明，所构建的SE-CBAM-ResNet18融合模型在扩增的桥梁裂缝数据集上取得99.44%的验证准确率，相较ResNet18模型准确率提升2.64个百分点。通过消融实验进一步证实了双注意力模块存在协同增效效应，与单一SE模型、单一CBAM模型相比，识别准确率分别提高1.12个百分点和1.53个百分点。该双注意力模块融合模型在减小参数量36.7%(最终为7.71 M)的同时，推理时间缩短了41.6%(单次推理时间3.50 ms)。研究成果为桥梁基础设施智慧管养体系提供了兼具高精度识别能力与轻量化部署特性的技术支撑。

关键词

桥梁 / 裂缝识别 / SE注意力模块 / CBAM / ResNet18模型