10.19968/j.cnki.hnkj.1003-5168.2022.23.002
基于Swin-Unet的混凝土裂缝分割算法研究
目前,卷积神经网络常用于混凝土裂缝分割领域中.本研究对卷积神经网络检测裂缝时检测精度低、丢失裂缝特征等问题,引入一种纯Transformer架构模型的Swin-Unet,通过使用Swin Transformer模块来代替卷积操作,可有效弥补卷积神经网络无法捕捉长距离特征及transformer难训练的缺陷,并在公共数据集和小样本数据集组合建立的3518张裂缝数据集上进行试验.试验结果表明,Swin-Unet取得了较好的成绩,表现出更好的检测效果,获得的IOU分数为0.70、F1分数为0.82,这表明Swin Transformer更有利于图片特征的提取.
混凝土裂缝识别、深度学习、Swin-Unet
41
TU17(建筑基础科学)
2022-12-29(万方平台首次上网日期,不代表论文的发表时间)
共5页
13-17