针对裂缝图像背景复杂噪声多导致检测精度差的问题,设计了基于特征金字塔注意力的裂缝检测模型(Crack Detection Network Based on Feature Pyramid Attention, FPA)。模型以VGG16为特征提取网络。首先,在模型中引入特征金字塔注意力模...针对裂缝图像背景复杂噪声多导致检测精度差的问题,设计了基于特征金字塔注意力的裂缝检测模型(Crack Detection Network Based on Feature Pyramid Attention, FPA)。模型以VGG16为特征提取网络。首先,在模型中引入特征金字塔注意力模块产生像素级注意力,在扩大感受野的同时减少空间分辨率损失的影响。然后,提出多尺度特征融合模块MFF,将具有更大感受野的特征图与每个阶段的特征图进行特征融合,在低层特征中引入语义信息丰富的高层特征,提升对不同尺寸裂缝的检测能力。最后,将全局上下文模块添加到每个分支的特征融合后,提高裂缝区域的权重,减少特征融合过程中低层特征所携带的噪声干扰。通过与多个模型进行对比,所提模型有良好的抗噪性。在CrackTree260数据集上,MPA、MIoU、F-measure指标比其它模型平均提升了3.84、2.09、2.22个百分点。展开更多
文摘针对裂缝图像背景复杂噪声多导致检测精度差的问题,设计了基于特征金字塔注意力的裂缝检测模型(Crack Detection Network Based on Feature Pyramid Attention, FPA)。模型以VGG16为特征提取网络。首先,在模型中引入特征金字塔注意力模块产生像素级注意力,在扩大感受野的同时减少空间分辨率损失的影响。然后,提出多尺度特征融合模块MFF,将具有更大感受野的特征图与每个阶段的特征图进行特征融合,在低层特征中引入语义信息丰富的高层特征,提升对不同尺寸裂缝的检测能力。最后,将全局上下文模块添加到每个分支的特征融合后,提高裂缝区域的权重,减少特征融合过程中低层特征所携带的噪声干扰。通过与多个模型进行对比,所提模型有良好的抗噪性。在CrackTree260数据集上,MPA、MIoU、F-measure指标比其它模型平均提升了3.84、2.09、2.22个百分点。
