为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络(Long Short Term Memory networks,LSTM)的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续...为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络(Long Short Term Memory networks,LSTM)的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续性;基于编解码的图像分割思想,构建基于VGG(Visual Geometry Group)骨干网络的特征提取编码器,结合卷积LSTM模块学习裂缝的上下文关联特征,通过解码器和分类模型实现裂缝分割,建立编解码特征独立的EDConvLSTM(Encoder‐Decoder Convolutional Long Short Term Memory networks)裂缝分割模型,并进一步构建编码器与解码器特征融合的FEDConvLSTM(Fused Encoder‐Decoder Convolutional Long Short Term Memory networks)模型,将高层特征与底层特征相结合,在保证裂缝完整性的同时充分挖掘裂缝的边缘信息,实现混凝土裂缝的精准分割。利用Github平台Yhlleo提供的开放基准数据集DeepCrack对模型进行训练并测试,结果表明,基于VGG16骨干网络的EDConvLSTM模型在测试集上的召回率可达86%,优化后的基于VGG19的FEDConvLSTM模型分割交并比相较于Segnet、Unet、AttentionUnet模型分别提升了6%、4%、1%。结合卷积LSTM网络的编解码分割算法能够解决裂缝识别完整性问题,并提升裂缝的识别精度。展开更多
文摘为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络(Long Short Term Memory networks,LSTM)的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续性;基于编解码的图像分割思想,构建基于VGG(Visual Geometry Group)骨干网络的特征提取编码器,结合卷积LSTM模块学习裂缝的上下文关联特征,通过解码器和分类模型实现裂缝分割,建立编解码特征独立的EDConvLSTM(Encoder‐Decoder Convolutional Long Short Term Memory networks)裂缝分割模型,并进一步构建编码器与解码器特征融合的FEDConvLSTM(Fused Encoder‐Decoder Convolutional Long Short Term Memory networks)模型,将高层特征与底层特征相结合,在保证裂缝完整性的同时充分挖掘裂缝的边缘信息,实现混凝土裂缝的精准分割。利用Github平台Yhlleo提供的开放基准数据集DeepCrack对模型进行训练并测试,结果表明,基于VGG16骨干网络的EDConvLSTM模型在测试集上的召回率可达86%,优化后的基于VGG19的FEDConvLSTM模型分割交并比相较于Segnet、Unet、AttentionUnet模型分别提升了6%、4%、1%。结合卷积LSTM网络的编解码分割算法能够解决裂缝识别完整性问题,并提升裂缝的识别精度。
