摘要
目的 为实现路面裂缝的高精度自动化检测,本文提出一种改进的U-Net深度学习模型。方法 该模型采用ResNet-50作为主干特征提取网络,并引入PSConv模块以提高多尺度特征提取能力;在跳跃连接中嵌入双交叉注意力(DCA)模块以优化特征融合效果;同时使用混合损失函数解决类别不平衡问题。结果 所提模型在包含1500张车载采集的高分辨率图像的自建数据集上的平均交并比(MIoU)达77.94%,召回率达68.64%,其中MIoU相较原始U-Net提升4.69个%,召回率提升8.63个%,综合性能优于多种主流分割网络。结论 该模型能有效提升复杂场景下路面裂缝的分割精度与完整性,为智能养护提供可靠技术方案。
出处
《实验室检测》
2025年第23期19-21,共3页
Laboratory Testing
