| 基于深度学习的路面裂缝提取 |
| |
| 引用本文： | 龚小强,邹进贵,曾晨曦,等.基于深度学习的路面裂缝提取［J］.测绘地理信息,2023,48（4）：25-29DOI：10.14188/j.2095-6045.2021179 |
| |
| 作者姓名： | 龚小强 邹进贵 曾晨曦 汪鸿柱 |
| |
| 作者单位： | 武汉大学测绘学院,湖北,武汉,430079;自然资源部人力资源开发中心,北京,100830;澳大利亚新南威尔士大学工程学院,新南威尔士,悉尼,2052 |
| |
| 基金项目： | 国家自然科学基金（41871373）; |
| |
| 摘 要： | 裂缝是主要的路面损坏,路面裂缝自动化提取对于维护和监测路面状况至关重要。针对传统人工检测效率低、缺乏客观性等问题,提出了一种基于深度学习语义分割网络的路面裂缝自动提取方法,实现了由路面图像自动生成裂缝二值图。并且阐释了不同尺度特征对语义分割的好处,并结合裂缝本身细小的特性,在U-Net的基础上增加了大尺度特征提取分支。随后采用激励压缩模块进行两种特征的融合。在CFD（computationalfluiddynamics）数据集上的实验表明,该改进算法的F1分数、kappa系数分别可达74.28%和73.83%,相较于其他主流分割网络,提高了约2%。
|
| 关 键 词： | 裂缝自动提取 多尺度特征 激励压缩模块 特征融合 语义分割 |
| 收稿时间： | 2022-12-14 |
|
| 点击此处可从《测绘地理信息》浏览原始摘要信息 |
|
点击此处可从《测绘地理信息》下载全文 |
|
