基于DeepLabV3+网络改进的快速隧道病害分割方法

摘要：

为避免依托人工进行隧道定期检测方式中由于工作人员的专业水平差异及个人主观性对检测结果的影响,同时降低人工参与成本,提高巡检检测效率,提升检测精度,降低病害的漏检、错检概率,推动隧道检测智能化、数字化提升,提出了一种基于DeeplabV3+模型改进的快速隧道病害分割方法.采用Google团队提出的MobileNet-V2 轻量化网络替换了原 DeeplabV3+模型中的 Xception 主干网络.引入当前较为热门的主流且分割效果好的 PSPNet,U-Net,与原网络、改进后的网络模型进行了多个项目的试验对比.所有模型均经过多次调参训练已达到最好效果.结果表明:原网络的准确率为97.67%,mAP为 92.30,mIoU为 85.01%,图片处理速度为 9.211FPS,使用MobileNet-V2 网络替换Xception作为DeepLabV3+的主干网络,其准确率为98.09%,mAP为94.38%,mIoU为85.14%,FPS为13.409,均为所有网络中最优值;在保证高性能图像分类准确率、分割精确度、交并比的前提下,图像分割网络的运算速度与效率提升了 45.6%.U-Net 模型、PSPNet 模型的 FPS 分别为 10.173,11.852,mIoU 分别为 78.58%,64.56%.改进网络的效率较U-Net,PSPNet的效率分别提高了 31.8%,13.1%,mIoU分别提高了 4.89%,23.87%;该方法不仅提升了图像处理速度,同时可以使得小型化低性能设备上部署图像分割任务变得可行,并且满足在小型移动设备上部署的要求.

关键词：隧道工程、语义分割、机器学习、隧道表观病害图像、轻量化网络

所属期刊栏目：40

分类号：U456(隧道工程)

资助基金：交通运输部公路科学研究院交通强国建设试点项目QG2021-1-3-3

在线出版日期：2023-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：127-135