基于多感受野与多尺度融合的草莓病害分割算法

针对草莓病害在区域分割时存在背景复杂、目标较小导致难以被有效分割等问题,提出一种基于多感受野与多尺度融合的草莓病害分割算法。首先搭建了U-Net基础模型,使用结合注意力机制与残差网络的主干特征提取网络(CBAM-ResNet50)替代U-Net中的主干特征提取网络VGG16,一方面来加强目标区域的表征能力,抑制背景区域,以此实现复杂背景下的病害区域分割问题;另一方面通过残差减少梯度消失,提升模型的收敛速度;接着在特征融合层,设计基于3D无参注意力机制(SimAM)的多尺度自适应特征融合模块,通过邻近特征信息弥补当前层特征的信息丢失,以此提升小目标的检测能力;最后在网络底层设计基于膨胀卷积的多感受野模块,通过不同膨胀率的膨胀卷积来增加特征的全局感受野以实现整体分割区域的感知。结果表明,本研究提出的方法mPA达90.30%,相比于标准U-Net模型提高了7.13百分点,本研究提出的方法能更好地对复杂背景下及小目标病害进行精准分割。

面向人工检测图像的混凝土梁桥病害识别方法研究

桥梁是高速路网上的重要节点,随着其服役环境的恶化和服役时间的增长,桥梁管养的任务愈加艰巨。目前在桥梁检测领域,管养部门传统桥梁病害检测主要依据检测人员目测判别,且以定性识别为主,但这种方式存在查不全、测不准、效率低、机动性差、可靠性不足、危险系数高等问题。尤其是在需要应对特殊结构桥梁或大跨高墩桥梁的情况下,传统的检测方式已经无法满足要求。因此,在人工检测装置的基础上,本文提出采用基于deeplabv3+语义分割模型提取病害的方法。针对识别准确率问题,开发基于深度迁移学习的病害分割与识别的模型算法,实现病害的同步分割与识别,准确率≥90%。