摘要
裂缝反映了结构的受力状态,是结构健康检测的重要关注对象之一.基于数字图像利用深度学习方法进行结构表面裂缝自动识别具有速度快、精度高等优势,不过深度学习方法严重依赖像素级标注信息,为此,提出一种基于半监督学习的改进U-Net方法.使用特征提取能力更佳的残差网络作为主干特征提取网络代替U-Net中由卷积层和池化层进行简单堆叠而成的下采样部分;在主干网络中插入池化窗口长且窄的条带池化注意力辅助下采样进行特征的细化,增强特征提取能力;针对裂缝图像中裂缝区域的亮度普遍暗于背景区域的情况,网络中的池化操作均采用平均池化使网络能更好地处理裂缝图像;利用半监督学习,在训练时同时训练两个网络并利用其分割结果相互监督从而使深度学习分割方法降低对标签数据的依赖度.改进的U-Net分割方法在自建裂缝数据集上进行了对比实验,结果表明,相较于原始U-Net网络,改进方法具有更高的分割精度,训练时可使用更少的标签数据.
维普
万方数据