计算机工程

作者：杨萍, 张汐

单位：陕西科技大学电子信息与人工智能学院, 陕西 西安 710021

关键词：裂缝检测,语义分割,卷积神经网络,条形池化模块,注意力机制

基金：陕西省重点研发计划项目(2023-YBGY-208); 陕西省教育厅服务地方专项计划项目(23JC016)

有效的道路表面裂缝检测是维护道路安全、延长道路寿命的关键。针对传统道路表面裂缝检测方法存在的难以识别细小裂缝、分割断裂以及分割精度低等问题, 提出了一种改进DeepLabv3+的道路表面裂缝检测方法, 旨在降低模型参数量的同时提高裂缝检测的准确性。首先, 使用优化后的MobileNetv2网络替换基础DeepLabv3+模型的主干网络, 以降低模型的参数量和复杂度, 提高运行速度; 其次, 将条形池化模块(SPM)融入空洞空间金字塔池化(ASPP)模块, 使得网络能够捕获到更多的裂缝上下文信息, 保留裂缝细小部分的特征; 最后, 引入卷积块注意力模块(CBAM), 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。实验结果显示, 改进DeepLabv3+模型的平均像素准确率(MPA)为87.85%, 平均交并比(MIoU)为80.53%, 准确率为97.51%, 精确率为88.65%, F1值为88.24%, 相比于基础DeepLabv3+模型分别提高了1.77%、2.03%、0.30%、2.25%和1.51%, 且高于U-Net、HR-Net和PSP-Net模型。此外, 改进DeepLabv3+模型的参数量为6.382×106, 是基础DeepLabv3+模型的88.3%, 实时性更好, 更适用于道路表面裂缝检测任务。

来源：2025年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第4期