摘要
为实现智能准确地检测路面裂缝,提升公路智能养护和巡检技术,本方法设计通道注意力检测模块,提出CA U-Net(Channel Attention U-Net)分割模型,分配特征图各个通道的权重,提升裂缝特征语义表达能力,并利用高语义层注意力权重信息来优化特征融合,显著提升不同尺度的裂缝检测能力。实验结果表明,CA U-Net分割模型的裂缝检测定位更准确,在评价指标mIoU和F1-Score上都有明显提升,证明该模型的有效性。
In order to realize intelligent detection of pavement crack,improve the maintenance and inspection technology of highways,this paper designs a channel attention detection module,proposes CA U-Net(Channel Attention U-Net)segmentation model,which re-allocate the weight of each channel to improve the semantic expression ability of crack features.CA U-Net uses the high semantic layer attention weight to optimize the feature fusion,which significantly improves the crack detection ability.The experimental results show that the crack detection has been improved,and the evaluation indicators mIoU and F1-Score are significantly improved,which proves the effectiveness of this model.
作者
贾睿
赵红岩
JIA Rui;ZHAO Hong-yan(Liaoning Provincial College of Communications,Shenyang 110122,China)
出处
《价值工程》
2022年第32期120-122,共3页
Value Engineering
基金
辽宁省教育厅科学研究经费项目-基于多尺度图像特征融合的道路病害检测算法研究(LJKZ1232)
辽宁省交通高等专科学校技术应用型科研项目-基于图像分割的路面裂缝检测算法研究(lnccjyky202118)
辽宁省交通高等专科学校技术应用型科研项目-基于深度学习的道路智能巡检模型研究(lnccjyky202113)。
关键词
裂缝检测
通道注意力
深度学习
图像分割
crack detection
channel attention
deep learning
semantic segmentation
