FastCrack:实时路面裂缝分割

在公路的使用过程中,其表面会产生危害结构健康的裂缝,研究高效精确裂缝分割算法已成为交通运输领域的一个重要课题.在现有的基于图像的裂缝分割方法中,由数据驱动的深度学习技术展现出了强大的适用性.但基于神经网络的裂缝分割模型普遍缺乏对模型实时性的关注,为平衡模型精度和速度,选择合适的架构超参数,设计了一套架构超参数挑选框架,提出了实时路面裂缝分割模型(FastCrack-SPOS).首先,设置不同的待选宽度(16,32,48,64,80)、深度(D1,D2,D3)、下采样倍率(1/4,1/8,1/32),构建出45组不同结构模型,分析每种参数对模型性能的影响;然后,使用神经架构搜索技术为模型每层自动搜索合适类型的卷积块,进而构建出最终模型.实验结果表明:所提架构超参数挑选框架在轻量级裂缝分割模型的设计上十分有效;构建出的FastCrack-SPOS在路面裂缝数据集上的交并比达62.88%;参数量仅0.29×106,相比现有模型,减少95%;处理1024×1024的图像的速度达147 frame/s,在速度和精度间取得了平衡,具有较高的实际应用价值.