面向混凝土表面裂缝分割的双流融合模型
计算机视觉与模式识别
2023-05-17 v2
摘要
裂缝及其他损伤的存在对交通基础设施的安全运行构成重大威胁。传统的人工检测和超声设备测试耗费大量时间和资源。随着深度学习技术的发展，许多深度学习模型已被广泛应用于实际的视觉分割任务。基于深度学习模型的检测方法具有检测精度高、检测速度快和操作简便的优点。然而，基于深度学习的裂缝分割模型对背景噪声敏感、边缘粗糙且缺乏鲁棒性。因此，本文提出一种基于双流融合的裂缝分割模型。图像同时输入两个设计的处理流，以独立提取长距离依赖和局部细节特征。通过双头机制实现自适应预测。同时，提出一种新颖的交互融合机制，引导不同特征层的互补，以在复杂背景下实现裂缝定位与识别。最后，提出一种边缘优化方法以提高分割精度。实验表明，在 DeepCrack[1] 公开数据集上分割结果的 F1 值为 93.7%，IOU 值为 86.6%；在 CRACK500[2] 数据集上分割结果的 F1 值为 78.1%，IOU 值为 66.0%。
引用
@article{arxiv.2305.05132,
title = {Dual flow fusion model for concrete surface crack segmentation},
author = {Yuwei Duan},
journal= {arXiv preprint arXiv:2305.05132},
year = {2023}
}