低秩表示与深度学习结合的裂缝检测与样本生成方法

作     者：赵旭辉 谢梦洁 杨飚 杨刚 高智 ZHAO Xuhui;XIE Mengjie;YANG Biao;YANG Gang;GAO Zhi

作者机构：武汉大学遥感信息工程学院湖北武汉430079 广州市高速公路有限公司广东广州510030 中交路桥建设有限公司北京101107 

出 版 物：《测绘学报》 (Acta Geodaetica et Cartographica Sinica)

年 卷 期：2023年第52卷第11期

页      面：1917-1928页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家重点研发计划(2020YFD1100203) 湖北省自然科学基金(2021CFA088) 

主　　题：裂缝检测 低秩表示 深度学习 桥梁道路 异常测绘 道路巡检 

摘      要：随着社会的快速发展,越来越多高质量桥梁、公路、隧道等大型基础设施显著提高了人民生活水平。但大量新增或既有的基础设施也给传统基于人工的安全巡检带来新的挑战:如何自动获得它们的健康状态、对异常情况进行精准测绘成为一大难题。本文以桥梁道路裂缝为研究对象,针对现有方法智能化水平低、泛化性不够的问题,提出低秩表示与深度学习结合的裂缝检测与样本生成方法。一方面,通过低秩表示,可自动从具有相似背景的路面影像序列中挑选出包含裂缝的影像,再结合灰度与几何信息进行后处理,获得像素级裂缝掩膜。另一方面,针对现实中各类复杂场景,进一步从影像语义分割角度,提出一种融合多层级特征和空洞空间金字塔池化的裂缝检测深度网络,并使用由低秩表示获得的裂缝样本进行训练。大量试验表明,本文方法在裂缝识别精度和自动化方面显著优于现有方法,不仅可用于各类桥梁的裂缝检测、定位与测绘,还可用于隧道、水坝等其他场景,泛化性能良好。