融入条形池化模块的Deeplabv3+桥梁裂缝检测算法

摘要

桥梁裂缝对桥梁安全构成很大威胁，准确检测裂缝有助于确保桥梁安全使用.为了解决因桥梁裂缝形状复杂且尺寸具有多样性而易造成大裂缝检测不完整，细小裂缝漏检等问题，提出了一种基于改进的DeepLabv3+语义分割算法的裂缝检测方法.首先，针对目前桥梁裂缝分割数据集小以及桥梁裂缝图片无标注的问题，使用公开数据集Crack500的训练集进行训练，并在公开数据集CrackTree中挑选出符合桥梁裂缝特征的图像，使用LabelMe图像标注软件以二值图像格式勾勒出裂缝轮廓，并对数据集进行扩充，以便用于网络训练.其次，为了解决裂缝具有特殊的形状特征且结构复杂等问题，将条形池化模块引入到DeepLabv3+网络中的ASPP层，以实现更符合其特征的采样.最后，为了解决图片存在噪声干扰、边缘特征提取不完整的问题，在网络的编码和解码中引入了边缘强化注意力机制，构成边缘强化模块，以得到一个分割模型，并在训练集上进行训练，同时在两个道路裂缝数据集上进行测试.实验结果表明，改进的DeepLabv3+算法比原始的DeepLabv3+算法在标注的数据集上具有更高的裂缝分割精度.这表明本文提出的方法在检测裂缝时具有更高的准确性且能更好地保留细节，所提出的改进网络较其他算法的指标均有提升，准确率、精确率和交并比分别达到了98.806%、85.925%和76.462%，同时在主观视觉上分割的裂缝更加完整，边缘更加清晰.

关键词

语义分割 / 编码-解码 / 条形池化结构 / 边缘强化模块 / Deeplabv3+