|
|||||
|
|
| 基于深度学习的路面裂缝提取 | |
| 作者姓名： | 龚小强 邹进贵 曾晨曦 汪鸿柱 |
| 作者单位： | 1. 武汉大学测绘学院;2. 自然资源部人力资源开发中心;3. 澳大利亚新南威尔士大学工程学院 |
| 基金项目： | 国家自然科学基金（41871373）； |
| 摘 要： | 裂缝是主要的路面损坏，路面裂缝自动化提取对于维护和监测路面状况至关重要。针对传统人工检测效率低、缺乏客观性等问题，提出了一种基于深度学习语义分割网络的路面裂缝自动提取方法，实现了由路面图像自动生成裂缝二值图。并且阐释了不同尺度特征对语义分割的好处，并结合裂缝本身细小的特性，在U-Net的基础上增加了大尺度特征提取分支。随后采用激励压缩模块进行两种特征的融合。在CFD(computational fluid dynamics)数据集上的实验表明，该改进算法的F1分数、kappa系数分别可达74.28%和73.83%，相较于其他主流分割网络，提高了约2%。 |
| 关 键 词： | 裂缝自动提取 多尺度特征 激励压缩模块 特征融合 语义分割 |