基于多尺度特征融合网络的路面裂缝分割方法研究

摘要：

针对路面缺陷检测设备采集到的路面影像中裂缝像素数占比较小,而现有深度学习的语义分割网络难以分割图像中小目标的问题,本文提出了一种融合了多尺度特征信息的编解码结构语义分割网络模型.首先,在经典编解码结构分割网络U-Net(u-shaped network)的基础上,将编码结构中不同层级的特征图分别与解码结构中的特征图越级融合;其次,在网络的误差反向传播过程中选择适用于小目标物体分割的损失函数Focal Loss;最后,在 CrackForest 数据集上对本文方法和常用四种模型进行了对比分析.结果表明,改进的 U-Net 模型在交并比、F1分数两种综合评价指标上的表现均要优于其他模型,且在细小裂缝的分割结果上提升更为明显.这说明本研究能够为路面影像中裂缝分割任务提供技术参考.

关键词：路面裂缝分割、改进的U-Net、多尺度特征融合、Focal Loss

所属期刊栏目：30

分类号：TP391.41;U418.66;TN911.73

在线出版日期：2023-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：425-430