基于旋转自注意力改进Mask RCNN的桥梁裂缝检测方法
作者机构:兰州交通大学电子与信息工程学院 甘肃省人工智能与图形图像处理工程研究中心
出 版 物:《吉林大学学报(工学版)》 (Journal of Jilin University(Engineering and Technology Edition))
年 卷 期:2024年
核心收录:
学科分类:081406[工学-桥梁与隧道工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0814[工学-土木工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程]
基 金:国家自然科学基金项目(61963023,61841303) 兰州交通大学重点研发项目(ZDYF2304)
主 题:桥梁工程 混凝土桥梁裂缝 裂缝病害检测 旋转可变窗口自注意力 Transformer学习
摘 要:桥梁是道路交通网络中至关重要的国家核心基础设施之一,其安全健康运营是确保路网畅通的重要保障。针对现有桥梁裂缝检测方法对桥梁裂缝旋转特征提取不充分,检测分割精度低的问题,提出了一种基于旋转自注意力改进Mask RCNN的桥梁裂缝检测方法。首先,在Mask R-CNN实例分割网络的基础上,采用基于Transformer学习的ViTAE网络作为主干特征提取网络,提高对裂缝的检测和分割精度。然后,设计旋转可变窗口自注意力机制融入桥梁裂缝检测网络,提升特征提取网络对裂缝旋转特征的检测能力。最后,通过可变形卷积进一步拟合裂缝不规则几何形体,强化对裂缝特征信息的识别能力。实验结果表明,所提方法相比于原始Mask R-CNN检测分割方法准确率提高了4.85%,召回率增加13.95%、F1-score可达91.66%。所提方法能够更加充分的提取裂缝特征,实现了更加准确的裂缝检测,在主客观评价方面均优于对比方法。