原文传递
道路裂缝的跨维度交互式显著性检测研究
| 论文题名： | 道路裂缝的跨维度交互式显著性检测研究 |
| 关键词： | 道路裂缝;显著性检测;图像采集;特征提取 |
| 摘要： | 近年来，我国经济得到了大幅度发展，高速公路已经成为人们外出选择不可或缺方案。而裂缝是道路存在最大的隐患，为了保障人们的出行安全，定期对高速公路进行裂缝检查已经成为必不可少的环节。针对道路裂缝检测，本文工作主要包括:(1)道路裂缝图像的采集、预处理，并制作道路裂缝数据集（crack数据集）;(2)针对不同种类道路裂缝特点设计不同模块，构建新的道路裂缝显著性检测模型:GCLNet网络;(3)在四个标准数据集和crack数据集上进行网络性能评估分析。 通过道路裂缝图像采集系统对裂缝进行采集。由于采集到的裂缝图像有的会出现模糊等问题，无法直接用于网络训练，需要进行预处理操作。对采集到的图片进行去模糊，然后进行裁剪，得到格式为320*320分辨率的标准图片。接着利用labelme标注软件对标准图片进行标注、打标签，得到.json格式文件，在经过进一步操作得到Mask数据集。最后通过旋转、镜像等数据扩充方法对Mask数据集进行扩充，生成道路裂缝数据集（crack数据集）。 GCLNet网络针对不同复杂背景下的各类道路裂缝特点、图像数量少等问题，通过基础特征提取模块提取大量裂缝基础纹理信息。然后由有效特征模块里的CF中两个平行分支分别实现通道C和空间H、通道C和空间W之间旋转跨维度交互，增强形成高级特征。另外通过CL模块的对基础特征突出区域进行增强，形成全局上下文特征。最后通过聚合模块将基础、高级、全局上下文三个道路裂缝特征进行聚合，形成预测裂缝显著图。为了能够体现GCLNet网络的先进性，在四个标准数据集:ECSSD、HKU-IS、DUT-OMRON和PASCAL-S上进行实验。与其他9种先进的网络相比，GCLNet网络在ECSSD数据集上，定量评估最高，Fβ指标达到0.948，而Sm指标达到0.929，表明GCLNet网络在复杂背景下对显著对象提取的有效性。另外，在道路裂缝数据集上，相比较其他三个先进的网络:GCPANet、U2Net、F3Net，GCLNet网络的Fβ、Sm分别达到0.720和0.790，相比第二高的网络，分别提高了3.6％和8.9％。从而进一步验证了GCLNet网络的泛化能力。 |
| 作者： | 张华 |
| 专业： | 控制工程 |
| 导师： | 赵佰亭 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
