融合多尺度混合注意力与迁移学习的全卷积网络路面裂缝检测算法

来源：南京信息工程大学学报·自然科学版杂志2026年第3期北京时间：

作者：李卓轩，陈彬，杨光，时欣利

单位：李卓轩,东南大学 数学学院, 南京, 211189;综合交通运输理论交通运输行业重点实验室(南京现代综合交通实验室), 南京, 211100,陈彬,重庆市綦江区公路事务中心, 重庆, 401420,杨光,东南大学 交通学院, 南京, 211189,时欣利,综合交通运输理论交通运输行业重点实验室(南京现代综合交通实验室), 南京, 211100;东南大学 网络空间安全学院, 南京, 211189

摘要：针对传统裂缝检测算法在复杂路面场景中存在的多尺度特征丢失、背景干扰敏感等问题,本文提出一种融合多尺度混合注意力与迁移学习的全卷积网络(HA-FCN-TL)路面裂缝检测算法.首先,基于ResNet34预训练模型构建FCN主干网络,通过迁移学习策略加速模型收敛并增强特征表示能力;然后,设计混合注意力模块,在编码阶段将卷积块注意力(CBAM)与自注意力(Self-Attention)动态耦合,实现微观裂缝边缘增强与宏观拓扑连续性保持的协同优化,有效抑制路面污渍、光照不均等噪声干扰;最后,引入多尺度特征融合机制,利用跳跃连接跨层聚合浅层细节与深层语义信息.在DeepCrack数据集上的实验结果表明,该方法在断裂纹理修复和弱裂缝检出方面优势明显,为复杂环境下路面结构安全评估提供了高鲁棒性解决方案.

关键词：路面裂缝检测;全卷积网络(FCN);迁移学习;混合注意力;多尺度特征融合;卷积块注意力模块(CBAM);自注意力

基金资助：国家自然科学基金重点项目(61833005);国家重点研发计划(2020YFA0714300)