首页|结合双注意力机制的道路裂缝检测

结合双注意力机制的道路裂缝检测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 道路裂缝检测旨在识别和定位裂缝对象,是保障道路安全的关键问题之一.为解决传统深度神经网络在检测背景较复杂、干扰较大的裂缝图像时精度较低的问题,设计了一种基于双注意力机制的深度学习道路裂缝检测网络.方法 本文提出了在骨干网络中融入空洞卷积和两种注意力机制的方法,将其中的轻量型注意力机制与残差模块结合为残差注意力模块Res-A.对比研究了该模块"串联"和"并联"两种方式对于裂缝特征关系权重的影响并获得最佳连接.同时,引入Non-Local计算模式的注意力机制,通过挖掘特征图谱的关系权重以提高裂缝检测性能.结合两种注意力机制可以有效解决复杂背景下道路裂缝难检测的问题,提高了道路裂缝检测精度.结果 在公开复杂道路裂缝数据集Crack500上进行对比实验与验证.为证明本文网络的有效性,将平均交并比(mean intersection over union,mIoU)、像素精确度(pixel accuracy,PA)和训练迭代时间作为评价指标,并进行了3组对比实验.第1组实验用于评价残差注意力模块中通道注意力机制和空间注意力机制之间不同组合方式的检测性能,结果表明这两种机制并联相加时的mIoU和PA分别为79.28％和93.88％,比其他两种组合方式分别提高了2.11％和2.08％、11.29％和0.23％.第2组实验用于评价残差注意力模块的有效性,结果表明添加残差注意力模块时的mIoU和PA分别比不添加时高出2.34％和3.01％.第3组实验用于对比本文网络和其他典型网络的检测性能.结果 表明,本文网络的mIoU和PA分别比FCN(fully convolutional network)、PSPNet(pyramid scene parsing network)、ICNet(image cascade network)、PSANet(point-wise spatial attention network)和DenseASPP(dense atrous spa-tial pyramid pooling)高出7.67％ 和2.94％、1.54％ 和0.42％、6.51％ 和3.34％、7.76％ 和2.13％、7.70％ 和-1.59％.实验结果表明本文网络的mIoU和PA优于典型的深度神经网络.结论 本文使用带空洞卷积的Res-Net-101网络结合双注意力机制,在保持特征图分辨率并且提高感受野的同时,能够更好地适应背景复杂、干扰较多的裂缝对象.
Dual attention mechanism based pavement crack detection

张志华、温亚楠、慕号伟、杜小平

展开 >

兰州交通大学测绘与地理信息学院,兰州 730070

地理国情监测技术应用国家地方联合工程研究中心,兰州 730070

甘肃省地理国情监测工程实验室,兰州 730070

中国科学院空天信息创新研究院数字地球重点实验室,北京 100094

展开 >

深度学习 残差网络 双注意力机制 道路裂缝检测 Crack500数据集

国家自然科学基金国家自然科学基金国家自然科学基金中国科学院战略先导专项(A)类项目兰州交通大学优秀平台项目

418610594216106961862039XDA19080103201806

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(7)
  • 6
  • 5