基于旋转自注意力改进Mask RCNN的桥梁裂缝检测方法

作     者：陈永 安卓奥博 张娇娇 

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。