基于改进U-Net网络的隧道裂缝分割算法研究

针对复杂背景下隧道的细小裂缝图像特征难以提取以及裂缝像素类别不平衡等问题,提出了一种改进U-Net网络的隧道裂缝分割算法。将U-Net模型的编码器和解码器与残差模块相结合,使得网络参数共享,并避免出现深层网络梯度消失的问题;在此结构基础上引入挤压和激励(Squeeze and Excitation,SE)模块来提升重要特征,抑制无用特征,加强对裂缝边缘和形状等特征的权重分配;采用组合损失函数来处理裂缝像素正负样本不平衡的问题,进一步获得更加精细的分割结果。在公共隧道裂缝数据集和自制数据集上设计对比实验来验证改进模型的有效性。结果表明:该算法对裂缝的分割精度均优于其他方法,F1-Score分别达到了76.36%和75.46%,并且运行速度也有明显的提升,可以很好地满足实际工程的应用需求。

基于生成对抗网络的隧道裂缝自动分割算法研究

传统裂缝识别技术需要大量带标签的裂缝图像作为试验数据集,为减少裂缝图像标注的工作量,利用生成对抗网络图像分割的特性与优势,构建一种Crack-GAN网络用于隧道裂缝自动分割。Crack-GAN网络结构集成2个模块:融合残差化U-Net网络的生成器网络和利用全卷积网络生成置信图的判别器网络。首先U-Net模块使用密集的残差模块来生成保留细粒度信息的深层表示,然后判别器来判断输入真假,并以端到端的方式训练,再经过生成对抗模型之间不断迭代,使生成模型达到分割裂缝的最优状态。试验表明,Crack-GAN网络在自制铁路隧道裂缝数据集上的像素准确性为98.35%,精准率为71.23%,召回率为80.78%,F 1得分为75.98%,单次检测时间80 ms,综合表现优于U-Net和CrackSegNet。