基于 Deepcrack 网络的混凝土裂缝检测方法

来源：计算机技术与发展杂志2024年第04期北京时间：

作者：武斌;马玉静;刘宇航;赵洁*

单位：天津城建大学 计算机与信息工程学院,天津 300384 Author(s): WU Bin;MA Yu-jing;LIU Yu-hang;ZHAO Jie* School of Computer and Information Engineering,Tianjin Chengjian University,Tianjin 300384,China 关键词: 图像分割;裂缝检测;金字塔分割注意力;全局上下文;全维动态卷积 Keywords: image segmentation;crack detection;pyramid split attention;global context;omni-dimensional dynamic convolution 分类号: TP391 DOI: 10. 3969 / j. issn. 1673-629X. 2024. 04. 030 摘要: 混凝土结构裂缝对建筑安全构成了极大的潜在威胁,裂缝检测对建筑结构的维护具有重要意义,当前基于深度学习的裂缝检测针对提取裂缝细节的能力仍有待提高。 因此,该文对 Deepcrack 网络进行优化,提出了基于金字塔分割注意力和全局上下文的混凝土裂缝检测算法 PG-Deepcrack。 首先,在编码器中提出双卷积-注意力并行模块,增加金字塔分割注意力分支为卷积层提供更丰富的多尺度裂缝信息;其次,为了捕获长距离依赖关系,并行模块操作后引入全局上下文模块,进一步提升网络对裂缝细节的表达能力;最后,在特征融合阶段利用全维动态卷积和 GELU 激活函数,对编解码器特征层联级融合,使网络更全面地保留不同尺寸的裂缝信息并提高模型的泛化性能。 为验证网络模型的有效性,在 Deepcrack数据集上与 7 个网络模型进行对比试验,所提出的网络表现了最佳性能,IoU 达到了 72. 78% 。

摘要：混凝土结构裂缝对建筑安全构成了极大的潜在威胁,裂缝检测对建筑结构的维护具有重要意义,当前基于深度学习的裂缝检测针对提取裂缝细节的能力仍有待提高。 因此,该文对 Deepcrack 网络进行优化,提出了基于金字塔分割注意力和全局上下文的混凝土裂缝检测算法 PG-Deepcrack。 首先,在编码器中提出双卷积-注意力并行模块,增加金字塔分割注意力分支为卷积层提供更丰富的多尺度裂缝信息;其次,为了捕获长距离依赖关系,并行模块操作后引入全局上下文模块,进一步提升网络对裂缝细节的表达能力;最后,在特征融合阶段利用全维动态卷积和 GELU 激活函数,对编解码器特征层联级融合,使网络更全面地保留不同尺寸的裂缝信息并提高模型的泛化性能。 为验证网络模型的有效性,在 Deepcrack数据集上与 7 个网络模型进行对比试验,所提出的网络表现了最佳性能,IoU 达到了 72. 78% 。

关键词：图像分割;裂缝检测;金字塔分割注意力;全局上下文;全维动态卷积