基于改进U型神经网络的路面裂缝检测方法

针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准,从而造成识别精度较低的问题,研究了基于改进U型神经网络(Unet)的路面裂缝检测方法.由于传统Unet特征提取网络是层次较浅的浅层神经网络,难以提取更复杂的裂缝特征信息,故本文以牛津大学视觉几何组网络(VGG16)作为传统Unet的特征提取网络,提高网络的裂缝特征提取能力;为抑制高低阶特征融合时产生的无用特征,本文在模型解码部分添加压缩与激励单元(SE block),构建裂缝注意力单元,使得网络可以关注不同通道下的裂缝特征,建立了基于SE block和VGG16的改进Unet网络(SE-VUnet).研究采用迁移学习的方法,将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中.通过挑选Crack500数据集,并使用摄像头采集图片构建1600张路面裂缝数据集,再次训练SE-VUnet模型,获得裂缝区域分割结果.以查准率(precision)与查全率(recall)的加权调和平均值F1和雅卡尔(Jaccard)相似系数作为量化评价指标.将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比.研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.8403和0.7221,相比于Unet分别高出了1.04％和1.51％,且均高于其他3种对比模型;SE-VUnet的单帧图片预测时间为89 ms,在分割效果提升明显的情况下仅比Unet慢5 ms,优于其他模型.