没有合适的资源?快使用搜索试试~ 我知道了~
基于并行注意力UNet的裂缝检测方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 185 浏览量
2022-06-10
16:41:47
上传
评论
收藏 1.06MB DOCX 举报
温馨提示
试读
16页
基于并行注意力UNet的裂缝检测方法.docx
资源推荐
资源详情
资源评论
摘 要 裂缝对公共设施而言存在着安全隐患,因此裂缝检测是公共设施
进行维护的重要手段.由于裂缝图像中存在噪声、光线、阴影等因素干
扰,神经网络在训练时极易被影响,导致预测结果出现偏差,降低预
测效果.为减少这些干扰,设计了一个并行注意力机制,并将其嵌入到
UNet 网 络 的 解 码 部 分 , 进 而 提 出 了 并 行 注 意 力 UNet(parallel
attention based UNet, PA-UNet).该方法分别从通道和空间 2 个维
度加大裂缝特征权重以抑制干扰,然后对这 2 个维度生成的特征进行
融合,以获得更具互补性的裂缝特征.为了验证该方法的有效性,选取
了 4 个数据集进行实验,结果表明该方法较现有的主流方法,裂缝检
测效果更加优异.同时,为了验证并行注意力机制的有效性,选取了 4
种注意力机制与其进行对比实验,结果表明并行注意力机制效果优于
其他注意力机制.
关键词 裂缝检测;并行注意力机制;UNet;抑制干扰;互补性
裂缝作为公共设施中一种常见现象,存在着重大的安全隐患.因此
设计一种有效的裂缝检测方法对保障社会公共财产安全具有重要意义.
早期的裂缝检测采用人工检测,由于其花费时间长,且易受主观判断
影响,难以推广应用.因此,为了克服人为因素造成的主观误差,学者
们提出了基于图像处理的自动检测方法,包括小波变换
[1-2]
、阈值分割
[3-
5]
、方向各异性
[6-7]
、边缘算法
[8-10]
和直方图
[11-13]
等.这些方法通过机器进行
检测,避免了人为误差的产生,同时大大提高了检测的效率,促进了
检测技术的发展.但还是存在一些不足,当裂缝图像环境较为复杂时,
这些方法很难获得准确的结果,因此需要进一步的研究.
近年来,随着深度学习的快速发展,其在裂缝检测领域中也得到
了广泛应用.如墙壁裂缝检测
[14-15]
、桥塔和锚室表面裂缝检测
[16-17]
、路面
裂缝检测
[18-20]
和混凝土裂缝检测
[21-22]
等.在进行裂缝检测时,深度学习方
法不仅注重裂缝特征的提取,而且关注图像中的上下文信息,使最后
提取的特征更加精准有效.但这些方法在提取裂缝特征时,易受到图像
中噪声、光线、阴影等因素的干扰,导致预测结果出现偏差,降低检
测准确度.针对此问题,本文设计了一个并行注意力机制,并将其嵌入
到 UNet 网络的解码部分,进而提出了并行注意力 UNet 裂缝检测方
法.该并行注意力机制分别从通道和空间 2 个维度对裂缝特征权重进行
充分分配,然后将重新分配后的特征融合,以获得更具互补性的裂缝
特征并抑制干扰.与串行结构的注意力机制相比,本文设计的并行注意
力机制在精确捕获裂缝特征的同时,又能有效抑制各种干扰.
1 相关工作
目前,深度学习方法在裂缝检测领域被广泛应用.如 Yao 等人
[23]
提
出了一种基于卷积神经网络的裂缝图像识别方法,该方法可以解决检
测效率低、环境约束大的问题,并提高了检测速度和精度.Liu 等人
[24]
提
出了像素级分类网络 UNet,该网络将局部信息与全局信息相结合,显
著提高了裂缝特征提取的精确性.由于裂缝检测中的标注数据是人为标
记的,这会导致裂缝标记的不精准,因此 Ali 等人
[25]
提出了一种基于卷
积神经网络的路面裂缝自动检测算法,通过 CNN 网络与滑动窗口结合,
准确定位裂缝所在位置,解决了人工标记的缺陷.Nie 等人
[26]
提出了一
种基于 YOLO(You only look once) V3 的路面裂缝检测方法,解决
了传统路面裂缝检测实时性差、精度低的问题.
随着不断深入研究,学者们在现有网络的基础上进行了改进.Song
等人
[27]
提出了一种高效的裂缝检测方法,通过建立多尺度空洞卷积模块
来获取裂缝的上下文信息,并在此基础上引入一种注意力机制,进一
步提取高层特征.为解决裂缝与周围路面对比度低的问题,Xiang 等人
[28]
提出了一种端到端深度卷积神经网络的路面裂缝检测方法,该方法采
用金字塔模块对复杂的裂缝拓扑结构进行全局上下文信息挖掘,并引
入了一个空间-通道组合注意力模块来细化裂缝特征.Konig 等人
[29]
提出
了一个完全卷积 UNet 架构来自动化注释任务,并在该架构的基础上
嵌入了基于注意力的门控机制,进一步传播 ReLu 激活.Wang 等人
[30]
提出了一种改进的 I-UNet 网络,利用空洞卷积扩展卷积的接受域.将
提取到的不同尺度特征进行多尺度融合,使改进后的网络具有更好的
效 果 和 鲁 棒 性 .Fan 等 人
[31]
提 出 了 U-Hierarchical Dilated
Network(U-HDN),通过多尺度模块集成不同尺度的裂缝特征以获取
更多的裂缝信息,并通过分层特征学习模块集成不同层的特征,以获
取更精确的预测结果.为了克服各种类型的噪声,Li 等人
[32]
提出了一种
基于深度卷积神经网络(convolutional neural network, CNN)的图
像裂缝检测方法,该方法首先训练 CNN 分类器,再将训练好的 CNN
分类器和滑动窗口结合进行穷举搜索,从而获得更精确的裂缝定位.针
对隧道图像中裂缝细小且存在大量噪声问题,Li 等人
[33]
提出了一种基于
UNet 和 CliqueNet(convolutional neural networks with
alternately updated clique)的卷积神经网络 U-CliqueNet,通过
Clique Block 代替 UNet 的卷积层,实现更准确、快速地从背景中分
离 裂 缝 .Ren 等 人
[34]
提 出 了 一 种 改 进 的 深 度 全 卷 积 神 经 网 络
CrackSegNet 进行裂缝分割,该方法能有效提取多尺度特征,大大提
高了网络整体的裂缝检测能力.这些网络相较之前的网络在检测效果方
面有了较大的提升,但仍存在一些不足,例如检测结果中存在干扰或
者无法较精准地分割出裂缝区域.
针对这些不足,目前比较流行的解决方案是嵌入注意力机制以抑
制各种干扰.而现有的注意力机制大都采用串行结构,能有效抑制大部
分干扰,但仍受到明亮噪声的影响,导致效果降低.针对此问题,本文
设计了一种并行注意力机制,并提出了并行注意力机制 UNet 裂缝检
测方法.该方法从空间和通道 2 个维度抑制干扰,通过并行结构融合两
者特征以获取更具互补性的裂缝特征,有效抑制了各种干扰并提高了
检测的精确度.
2 本文方法
本文提出了一种裂缝检测方法,在 UNet 网络中嵌入一个自行设计
的并行注意力机制,以此来抑制各种干扰,提高裂缝特征提取的精准
性.
剩余15页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3582
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功