原文传递
基于改进U型神经网络的路面裂缝检测方法
| 题名： | 基于改进U型神经网络的路面裂缝检测方法 |
| 作者： | 惠冰;李远见 |
| 关键词： | 信息工程;裂缝检测;U型神经网络;深度学习;语义分割 |
| 摘要： | 针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准，从而造成识别精度较低的问题，研究了基于改进U型神经网络（Unet）的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络，难以提取更复杂的裂缝特征信息，故本文以牛津大学视觉几何组网络（VGG16）作为传统Unet的特征提取网络，提高网络的裂缝特征提取能力；为抑制高低阶特征融合时产生的无用特征，本文在模型解码部分添加压缩与激励单元（SE block），构建裂缝注意力单元，使得网络可以关注不同通道下的裂缝特征，建立了基于SE block和VGG16的改进Unet网络（SE-VUnet）。研究采用迁移学习的方法，将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集，并使用摄像头采集图片构建1600张路面裂缝数据集，再次训练SE-VUnet模型，获得裂缝区域分割结果。以查准率（precision）与查全率（recall）的加权调和平均值F1和雅卡尔（Jaccard）相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、MaskR-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明：SE-VUnet模型的综合F1和雅卡尔系数分别为08403和0.7221，相比于Unet分别高出了1.04%和1.51%，且均高于其他3种对比模型；SE-VUnet的单帧图片预测时间为89 ms，在分割效果提升明显的情况下仅比Unet慢5 ms，优于其他模型。 |
| 期刊名称： | 交通信息安全 |
| 出版年： | 2023 |
| 期： | 01 |
| 页码： | 105-114,131 |
检索历史
应用推荐
