一种道路裂缝检测的变尺度VS-UNet模型

为解决目前现有的图像分割算法存在检测精度低、对裂缝检测缺乏针对性等问题,采用多尺度特征融合方法,提出一种扩展LG Block模块Extend-LG Block,其由多个并行不同膨胀率的空洞卷积组成.通过参数可调节分支数量和空洞卷积膨胀率,从而改变其感受野大小,进而提取和融合不同尺度的裂缝特征.对比在深层使用多尺度特征融合模块的网络以及使用固定尺度结构进行多尺度特征融合的网络的优劣,提出一种变尺度结构的UNet模型VS-UNet,使用多个不同参数的Extend-LG Block替换UNet网络中的基本卷积块.该结构在网络浅层进行多尺度特征融合,多尺度特征融合模块提取的尺度随网络层加深逐渐减少.此结构在加强图像的细节特征提取能力的同时保持原有的抽象特征提取能力,还可避免网络参数的增加.在DeepCrack数据集以及CFD数据集上进行实验验证,结果表明,相较于其他两种结构和方法,提出的变尺度结构的网络在有更高检测精度的同时,在可视化实验对比上对各种大小的裂缝有更好的分割效果.最后与其他图像分割算法进行对比,各项指标与UNet相比均有一定程度提升,证明了网络改进的有效性.研究结果可为进一步提升道路裂缝检测效果提供参考.

基于双重注意力U-Net的砌体结构震害裂缝检测

【目的】砌体结构震害裂缝严重影响结构安全。在震后应急响应阶段,对结构各部位进行裂缝检测是结构安全鉴定的重要依据。为提高检测效率,提出一种改进的多目标语义分割算法,即双重注意力UNet(dual attention U-Net,DA U-Net)。【方法】首先,为支持模型的训练,创建一个手工标记的数据集,并采用数据增强策略保证网络学习到更多的裂缝细节特征;其次,使用VGG16(visual geometry group 16-layer)网络替换U-Net主干特征提取网络,并且在跳层连接处嵌入卷积块状注意力模块和非局部注意力机制,有利于改善裂缝边缘分割不完整和全局特征信息利用不充分的问题,以及有效利用浅层特征信息来加强特征表示;最后,用亚像素卷积取代原上采样操作,补充低分辨率像素缺失的语义信息。【结果】改进DA U-Net网络在分类准确率和分割精度上均达到最佳表现。精度评价指标F_(1)分数(F_(1) score)指标E_(F_(1))、平均像素精度(mean pixel accuracy,MPA)指标E_(MPA)和平均交并比(mean intersection over union,MIOU)指标E_(MIOU)达到84.66%、91.57%和81.50%,相比U-Net网络的分割精度均提高5.00%以上。选择合适的主干网络能更好地捕捉和表征数据的复杂特征,同时对全局空间位置信息关注度也更高。【结论】改进算法可显著提升对裂缝识别和定位的准确性,以及对裂缝的整体形态、走向和交融情况的分割完整性,增强多组合裂缝分割精度,为震后砌体结构房屋安全鉴定提供一种有效的检测方法。

基于航拍图像与改进U-Net的建筑外墙裂缝检测方法

针对建筑外墙裂缝人工检测方法检测效率低、检测效果和安全性差的问题,提出基于航拍图像与计算机视觉的裂缝检测方法。使用无人机绕建筑物航拍采集裂缝图像,并构建裂缝数据集;优化U-Net模型以解决细长裂缝分割不连续、复杂背景下裂缝漏检及背景误检的问题。将模型编码网络替换为预训练的ResNet50以提升模型特征表达能力;添加改进的多孔空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块,获取多尺度上下文信息;采用改进的损失函数处理裂缝图像正负样本分布极度不均的问题。结果表明:改进的U-Net模型解决了原模型存在的问题,IoU指标和F1_score分别提升了3.53%、4.18%;与经典分割模型相比,改进模型的裂缝分割性能最优。与人工检测方法相比,所提方法可以安全、高效且准确地进行建筑外墙裂缝检测。

引入卷积块注意力模块的Attention U-Net木材表面裂纹检测方法

木材缺陷会影响木材的使用价值和使用期限,其中木材表面裂纹是严重影响木材外观质量和机械强度的一种木材缺陷。对木材表面裂纹的检测可以尽快发现此类缺陷木材,或为后续处理提供依据。针对现有的人工检测和自动化检测木材表面裂纹效率低、成本高、漏检率高等问题,采用引入卷积块注意力模块(convolutional block attention module,CBAM)的Attention U-Net深度学习模型对木材表面裂纹图像进行语义分割,从而达到木材表面裂纹检测的目的。引入的CBAM模块包含通道注意力机制和空间注意力机制,分别用于捕捉通道间的依赖关系和像素级的空间关系,该模块被添加到Attention U-Net网络的编码阶段,以增加感兴趣区域的权重并抑制冗余信息。最后,通过消融试验验证了Attention U-Net中加入CBAM对分割性能的提升。采用像素准确率(PA)、类别像素准确率(CPA)、召回率(Recall)、Dice系数、交并比(IoU)和平均交并比(MIoU)等语义分割评价指标评价各模型的优劣,并确定最佳模型及其参数。在自制木材表面数据集的裂纹分割中,使用AdamW优化器引入CBAM的Attention U-Net的PA、木材裂纹Recall、木材裂纹Dice系数、木材裂纹IoU、MIoU分别比使用SGD优化器的Attention U-Net原始模型提高了0.11%,4.14%,2.96%,3.58%和1.84%。结果表明,使用AdamW优化器引入CBAM的Attention U-Net能够较好地分割背景和木材表面裂纹,区分节点、表面纹理和木材裂纹,并将节点和表面纹理分割为背景。

基于ST-UNet和目标特征的混凝土裂缝检测

混凝土裂缝对结构承载能力、耐久性和防水性有负面影响,因此早期裂缝检测具有重要意义.大数据和深度学习的快速发展,为裂缝智能检测提供了有效的方法.针对裂缝检测过程中图像正负样本不平衡,裂缝区域色彩深沉和低亮度的特点,提出一种基于ST-UNet(Swin Transformer U-Net)和目标特征的裂缝检测方法.该算法在网络中引入CBAM注意力机制,使网络更加关注图像中对裂缝检测起决定作用的像素区域,增强裂缝图像的特征表达能力;使用Focal+Dice混合损失函数代替单一交叉熵损失函数,处理样本图像正负样本分布不均的问题;设计APSD正则化项优化损失函数,针对裂缝区域色彩深沉、低亮度的问题,降低检测的漏检率与误检率.裂缝检测结果表明:IoU指标提升22%,Dice指数提升17%,该算法是有效可行的.

基于改进U-net的大坝表面混凝土裂缝图像分割方法

大坝表面混凝土裂缝的检测与识别对大坝安全具有重要意义,为此开展了基于深度学习方法的混凝土裂缝织别方法研究。针对裂缝图像具有复杂拓扑结构和正负样本不平衡等特点,在典型U-net中嵌入了ASPP和CBAM优化模块,同时以Dice+BCE混合损失函数代替了单一交叉熵损失函数。结果表明:所创建的改进U-net在自制实例大坝裂缝图像数据集上表现优异,交并比IoU和F1分数分别为47.05%和62.99%,对比典型U-net分别提高了5.41%和5.19%,对比PSPNet分别提高了3.05%和3.31%。改进的U-net在裂缝分割任务中像素分类更精确,多尺度信息更丰富,具有良好的泛化能力和鲁棒性,可为大坝混凝土结构表面裂缝检测与识别提供更优的手段。

基于U-Net模型的建筑结构裂缝分割数字化处理方法研究

混凝土结构裂缝是一种常见的病害问题,由于引起结构开裂的因素较多,且建筑结构物开裂形态各异。因此,针对上述问题,文章提出一种基于U-Net模型的建筑结构裂缝识别方法,实现裂缝识别的数字化与智能化。以U-Net网络为基础,建立了离散性相对较强的训练集与验证集。在下采样和上采样过程中,进行最大池化与反卷积操作,进行架构调整,并通过Dice系数对模型进行评价。结果表明,利用该方法能够高效且较为准确地进行建筑结构裂缝数字化识别,提高结构病害检测效率。

基于改进U^(2)-Net模型的混凝土结构表面裂缝检测

【目的】背景复杂的混凝土结构表面裂缝连续性差、识别率低,基于深度学习的裂缝检测方法存在模型参数量大的问题。【方法】为此,结合U^(2)-Net框架构建了一种聚合多尺度信息的轻量级模型U^(2)-Net_Aggregation,用于复杂背景下的裂缝特征学习。该模型通过增加跳跃连接,使得每个解码层均聚合该层以上所有浅层编码特征,以获得足够的特征细节,提升裂缝分割精度;利用深度可分离卷积(Depthwise Separable Convolution, DSC)对原本的残差模块(ReSidual U-blocks, RSU)进行改进,提出了新的残差模块(RSU-DSC-ECA),来降低聚合多尺度信息时带来的模型复杂度提升的问题,其中的通道注意力机制(Efficient Channel Attention, ECA)可提升模型对裂缝区域的敏感性和对复杂背景的抗干扰能力。【结果】在三组裂缝数据集上进行消融试验,改进后的模型(U^(2)-Net_Aggregation)相较于U^(2)-Net在准确率、交并比、综合评价指标上均有优异的表现。为了验证模型对复杂背景中裂缝的识别能力,利用无人机实地采集的某混凝土结构数据进行试验,其检测效果优于FCN、SegNet、U-Net和U^(2)-Net。【结论】改进后的模型相比U^(2)-Net在召回率、交并比和综合评价指标方面分别提高了4.18%、2.97%和2.03%,可借助无人机影像快速准确地检测出裂缝,为结构裂缝检测提供一种新的方法。

基于残差与注意力机制的道路裂缝检测U-Net改进模型

道路裂缝是道路安全检测的重要部分,随着深度学习和计算机视觉的发展,利用深度学习对道路图像中裂缝信息提取的方法趋于成熟。现有深度学习道路裂缝检测方法对细小裂缝提取不完整以及受背景因素干扰,导致检测精度降低。基于CBAM注意力机制和残差网络,改进U-Net神经网络模型,构建一种融合残差和注意力机制的道路裂缝检测深度学习网络模型。该模型在U-Net网络的上采样和下采样过程中分别嵌入通道注意力机制和空间注意力机制。CBAM注意力机制在通道和空间维度上同时进行全局平均和全局最大混合池化,以提取更多有效的全局和局部细节信息。同时,在U-Net网络中融合残差模块,有效解决网络梯度消失、梯度爆炸以及网络退化的问题,进一步提高道路裂缝的检测能力。实验结果表明,在上采样和下采样过程中嵌入CBAM注意力机制网络的F1值提升到81.02%,相比U-Net原始网络,提升13.76个百分点。融合残差模块并在下采样过程中嵌入CBAM注意力机制网络的F1值达到85.82%,相比只嵌入CBAM注意力机制的网络,提升了4.8个百分点。

基于改进U-Net网络的细小裂纹检测

针对复杂背景下细小裂纹图像检测难、噪声干扰多和裂纹宽度信息易丢失的问题,提出一种基于U-Net改进的方法。利用残差块解决网络退化,加入BN层改善梯度弥散,融入深度可分离卷积以及高尺度的转置卷积,实现特征信息由浅入深的传递;改进注意力机制,实现细节特征的优化;延伸U-Net特征向量长度,在底部加入由最大池化层、小尺度深度可分离卷积与上采样层构建的层融合模块,实现分辨率和感受野之间的平衡。实验结果表明,在客观标准下,改进的方法比U-Net的IoU的值提高0.1873,Recall的值提高了0.1127,Precision提高了0.1359,F1-score提高了0.0687,并且实验结果皆优于其他方法对于U-Net的改进,减少了伪分割现象,完成对细小裂纹分割,获得更加精细的裂纹宽度信息。

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。

采用U-Net卷积网络的桥梁裂缝检测方法

针对传统的桥梁裂缝检测准确性不高、丢失细节信息、宽度信息获取困难等问题,提出一种采用U-Net卷积网络的像素级、小样本的裂缝检测方法。该方法使用多层卷积自动提取裂缝特征,并利用浅层网络与深层网络叠加的方法实现裂缝局部特征与抽象特征的融合,从而保留裂缝细节特征,使得检测准确性大大提升。对检测结果中出现的背景杂波和伪裂缝,采用阈值法和改进的迪杰斯特拉连接算法来实现裂缝的精细提取。最后,采用八方向搜索法实现裂缝宽度的精确测量。实验证明,所提方法能准确、完整地对桥梁裂缝进行提取,宽度测量准确,可以满足应用需求。

基于改进U^(2)-Net与迁移学习的无人机影像堤防裂缝检测

为准确便捷地从大范围背景复杂的堤防表面获取裂缝的形态信息,提出了一种基于改进U^(2)-Net(U^(2)-ADSNet)的裂缝检测方法。该方法在U^(2)-Net中融合深度可分离卷积和扩张卷积,扩大了原有模型的感受野,增强了对细节特征的学习能力,降低了模型参数;在少量无人机实测影像数据基础上,利用裂缝开源数据集进行迁移学习,降低了训练成本;通过切片预测实现对大范围无人机影像的裂缝检测,利用连通域搜索去除可能的误检。将U^(2)-ADSNet与FCN、SegNet、U-Net和DeepCrack等语义分割模型在堤防裂缝数据集上进行对比,验证了U^(2)-ADSNet的有效性,该模型经过迁移学习后交并比达到78.55%,综合评价指标值为87.87%,可用于堤防裂缝的检测。

ERCUnet:一种基于U-Net改进的道路裂缝检测模型

针对传统的道路裂缝检测方法存在灵活度不高、普适性不强等问题,本文参考ResNet中的残差设计和U-Net模型的U形编码解码结构,设计一种基于U-Net改进的道路裂缝检测模型——ERCUnet。该模型以残差块为主体,针对裂缝检测优化不同深度卷积层的卷积核数量,模型中所有的残差块结构相同,模型整体结构更加整齐和简单,具有可塑性好、结构性强,残差结构不仅使特征融合更加充分,也避免了深层卷积神经网络梯度消失的问题。实验在CrackForest数据集上进行,将CrackForest的118张含标注图片按照5∶1的比例划分训练集和测试集,通过一系列数据增广方法,有效缓解了训练数据过少的问题。损失函数融合了交叉熵和F1分数,缓解了正负样本不均衡的问题,最终的实验结果显示ERCUnet模型参数量仅为U-Net(BN)模型的13.30%,在测试集上的查全率、查准率、F1值均达70%以上,噪声率、准确率分别为29.05%、99.01%。为证实ERCUnet的可塑性,通过修改模型参数得到ERCUnet-tiny模型,其参数量仅为U-Net(BN)模型的2.39%,在测试集上取得了与U-Net(BN)相近的效果。

融合注意力机制与GhostUNet的路面裂缝检测方法

路面裂缝是道路最为常见的缺陷,随着深度学习技术的发展,利用深度学习的方法对路面图像中的裂缝信息提取的方法愈来愈多。针对现有深度学习路面裂缝检测方法提取裂缝特征不完整导致精度低以及实时性不足的问题,提出一种融合注意力机制与GhostUNet的路面裂缝检测方法。本方法由编码器和解码器组成,将U-Net中的常规卷积改进为Ghost卷积,减少模型参数量;在编码和解码部分,为了提高对裂缝特征的提取能力,引入ECA注意力机制和残差连接,ECA注意力模块可以过滤不相关的特征信息,利用残差连接可以避免网络退化现象。为评估本方法在裂缝检测方面的有效性,使用两个公开裂缝数据集,并进行消融实验和对比实验,实验结果F1_score、P和R分别比U-Net平均提高了14.48%、14.35%和14.45%;该模型相比U-Net参数量下降了14.2 MB。该模型与同类模型比较,分割的准确率更高,参数量更少。

改进U-Net算法的路面裂缝检测研究

为加快我国经济建设,全国各地大力发展道路基础设备建设。经长时间使用,路面的病害会越发明显,随着技术的发展,神经网络的出现对道路检测有着举足轻重的影响。其中U-Net是一种对微观对象检测识别能力极强的端到端的深度学习网络,所以可适用于道路裂缝缺陷检测。该文为提取到高效的裂缝特征信息,引入注意力机制;其次,针对特征信息随网络深度加深而减弱的问题,引入高效残差块网络。因此,提出了一种改进A-UNet算法,实验结果表明,相比于原始U-Net网络,该文所提算法在准确率上提升了0.3%,F1-socre提升了9.1%,运行速度提升了9.9%。

基于UNet++及条件生成对抗网络的道路裂缝检测

针对具有各种干扰因子的道路图像,提出一种基于UNet++和条件生成对抗网络(CGAN)的道路图像裂缝检测的分割方法,包括生成器和判别器模型。生成器采用UNet++,目标是生成道路裂缝检测的分割图像。然后再将生成的图像与原始的道路图像进行拼接,同时将真实的裂纹检测分割图像与条件进行拼接,再将拼接后的真实图像与生成图像传入网络的判别器中。判别器使用马尔可夫判别器(PatchGAN)对真实图片及生成图片每一小块进行打分,最后将所有小块得分取平均来判断图像的真伪。通过生成器与判别器的反复博弈训练,使得生成器生成的裂缝检测分割图像与真实的分割图像高度接近,这样生成器就达到了裂缝检测的效果。通过和全卷积网络(U-Net)及UNet++比较,基于U-Net及UNet++作为生成器的优化网络在Dice系数、像素精确率及召回率上均有提升。不仅如此,从实验的效果图可以发现该算法能更好地排除了干扰因子。

基于注意力U-Net模型的露头裂缝自动识别方法

应新疆塔里木油田深层两大类复杂油藏项目的要求,采用多传感器联合的野外地质露头采集技术与多尺度数字露头构建技术,建立了基于多尺度-多信息三维数字露头的综合地质知识库,其中一项重要的工作是深度学习在岩性、缝洞等方面的自动识别与研究。基于无人机拍摄的裂缝图像分辨率高且复杂的特点,在图像预处理阶段,首先对原始图像进行了切割,并做了灰度化处理以降低计算量。采用在医学领域内识别图像效果显著的U-Net网络模型,同时在传统U-Net模型的跳跃连接阶段引入注意力机制以提高目标特征的关注能力,带来模型性能的提升。使用处理过的真实岩石裂缝图像,完成了模型的训练和测试。实验结果表明:改进之后的网络模型裂缝识别效果良好,精确率可以达到88%,较原始网络提高了2.37%,损失在0.110左右,F_(1)分数能够达到85以上。

融合残差与多尺度特征的U-Net泥页岩裂缝分割

泥页岩CT图像裂缝分割是获取裂缝信息的关键环节,对揭示裂缝空间展布规律和明确储层特征具有重要意义。针对传统图像处理方法无法自主分割泥页岩裂缝,以及泥页岩CT图像中裂缝形态复杂多样,尺度变化大,细小裂缝与周围岩体的灰度值相似导致分割效率低的问题,通过改进U-Net网络模型,提出一种融合残差网络和多尺度特征的卷积神经网络MCS-Net,用于实现高效的泥页岩裂缝分割。所提网络包括特征提取、特征融合和预测输出3部分,特征提取部分使用残差模块代替常规卷积,充分获取浅层特征信息和高层语义信息;特征融合部分采用多尺度卷积融合模块获取裂缝多尺度特征信息,随后逐层上采样还原图像分辨率并准确定位裂缝位置;预测输出部分最终生成泥页岩二元裂缝分割图。实验在构建的泥页岩裂缝数据集MudshaleCrack上进行测试,并与6种主流的深度学习语义分割网络进行对比。结果表明,所提的MCS-Net优于对比网络,评价指标IoU为85.32%,F1值为92.56%,与改进前的U-Net相比,IoU和F1值分别提升了0.0428和0.0903,证明了所提方法对泥页岩裂缝分割的可行性。

基于改进U-Net网络的半监督裂缝分割方法

裂缝反映了结构的受力状态,是结构健康检测的重要关注对象之一。基于数字图像利用深度学习方法进行结构表面裂缝自动识别具有速度快、精度高等优势,不过深度学习方法严重依赖像素级标注信息,为此,提出一种基于半监督学习的改进U-Net方法。使用特征提取能力更佳的残差网络作为主干特征提取网络代替U-Net中由卷积层和池化层进行简单堆叠而成的下采样部分;在主干网络中插入池化窗口长且窄的条带池化注意力辅助下采样进行特征的细化,增强特征提取能力;针对裂缝图像中裂缝区域的亮度普遍暗于背景区域的情况,网络中的池化操作均采用平均池化使网络能更好地处理裂缝图像;利用半监督学习,在训练时同时训练两个网络并利用其分割结果相互监督从而使深度学习分割方法降低对标签数据的依赖度。改进的U-Net分割方法在自建裂缝数据集上进行了对比实验,结果表明,相较于原始U-Net网络,改进方法具有更高的分割精度,训练时可使用更少的标签数据。