10.3979/j.issn.1673-825X.201909110323
基于改进U-Net网络的混凝土表面裂缝分割
如何快速、高效、准确地像素级分割混凝土表面裂缝是当前研究的热点问题之一.在混凝土表面裂缝图像中裂缝面积远远小于正常路面面积,造成现有方法在这种正负样本分布不均问题中无法有效学习裂缝特征,最终分割效果较差.提出了一种将Focal损失与活动轮廓模型相结合的新损失函数,针对裂缝面积较小且连续分布的特点,通过Focal损失加强模型在训练过程中对裂缝的敏感程度;使用活动轮廓模型保证分割结果在形态上与真实结果保持一致.同时在模型卷积块中添加批标准化层,提升激活效果,抑制模型训练过程中梯度震荡的产生.为了将本模型部署于车载检测器等嵌入式环境,在保证分割精度的同时对模型进行剪枝与量化,以实现压缩模型大小.试验结果表明,提出的方法能够有效学习裂缝特征,并能精确、高效地识别出混凝土图像中的裂缝.
裂缝分割;卷积神经网络;批标准化;正负样本不均衡
33
TP751(遥感技术)
重庆市社会科学规划重点委托项目;重庆邮电大学教育信息化项目
2021-08-10(万方平台首次上网日期,不代表论文的发表时间)
共8页
645-652