摘要
机场道面裂缝具有形态复杂多变、走向不连续、数据噪音多等特征,现有算法模型均未达到令人满意的结果.为了改善裂缝检测效果,本文提出了一种新的深度学习模型,命名为"FE-Un-et".该模型采用改进的残差连接方式,在解决多层网络下梯度的回传问题的同时起到细化特征以及整合通道的信息作用,提升了各阶段特征的区分度;此外,模型中的通道注意力模块(channel attention block,CAB)可以更好地提取判别特征,增强预测的一致性;最后,利用焦点损失(focal loss,FL)使模型专注于难分类的细小裂缝.实验中,以实际7 778张机场道面裂缝图像来训练模型,并在1 701张图像上进行验证.在与经典的全卷积神经网络(fully convolutional network,FCN)、DeepLab v3和Unet对比实验中,FE-Unet对裂缝、灌缝和板缝的检测性能均优于其他模型.其中,FE-Unet对裂缝检测的精度、召回率、F1值分别达到了 80.31％、82.72％和81.49％.
NETL
NSTL
维普
万方数据