计算机工程

作者：王安政, 党建武, 岳彪, 杨景玉

单位：1. 兰州交通大学电子与信息工程学院, 甘肃 兰州 730070;2. 轨道交通信息与控制国家级虚拟仿真实验教学中心, 甘肃 兰州 730070

关键词：图像处理,路面裂缝检测,语义分割,位置信息,注意力机制

基金：中央引导地方科技发展资金项目(22ZY1QA002);甘肃省教育科技创新项目(2021jyjbgs-05);甘肃省军民融合专项(2020JG01);甘肃省重点研发计划项目(21YF5GA158);甘肃省知识产权计划项目(21ZSCQ013)。

路面裂缝是造成公路安全问题的主要因素。传统的裂缝检测通常以人工检测为主,存在效率低、不安全等问题,此外现有深度学习检测模型在面临阴影遮挡、背景复杂等干扰因素时会造成裂缝检测不完整。针对上述问题,提出一种基于位置信息和注意力机制的路面裂缝检测模型(PA-TransUNet)。[JP+1]首先,通过混合编码器接收输入图像,提取裂缝特征信息,引入查询项、键、值的位置信息,提升编码器Transformer中自注意力机制捕获裂缝形状和补偿特征信息丢失的能力。然后,输入裂缝特征到解码器进行上采样,设计一种基于注意力门控的解码模块(AGDM),AGDM通过抑制非裂缝区域来加强对裂缝区域的学习,提高裂缝检测的准确性和完整性。实验结果表明,PA-TransUNet模型在路面裂缝检测数据集(CFD)和Cracktree200这2个公开数据集上的F1值分别达到87.44%和82.58%。此外,为了进一步检验PA-TransUNet模型在实际工程中的裂缝检测能力,又在自制无人机裂缝(UAV Cracks)数据集上取得了88.68%的F1值,由此可见其能较好地满足实际工程中的裂缝检测需求。

来源：2024年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第4期