基于改进U-Net模型的混凝土结构表面裂缝检测

作     者：程浩东 李怡静 李玥康 胡强 王姣 

作者机构：江西省水利科学院 南昌大学工程建设学院 

出 版 物：《水利水电技术(中英文)》 (Water Resources and Hydropower Engineering)

年 卷 期：2023年

学科分类：08[工学] 081402[工学-结构工程] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0814[工学-土木工程] 

基　　金：江西省自然科学基金20232BAB204091 国家自然科学基金项目(41501454) 江西省水利厅科技项目（202123YBKT25） 

主　　题：结构裂缝检测 深度学习 语义分割 U -Net 

摘      要：【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】本文结合U2-Net框架构建了一种聚合多尺度信息的轻量级模型U2-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)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(U2-Net＿Aggregation)相较于U2-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U2-Net。【结论】改进后的模型相比U2-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。