基于语义分割的隧道渗漏水轻量化检测模型研究

作     者：王丹丹 侯公羽 张欣怡 陈钦煌 邵耀华 符欢欢 

作者机构：中国矿业大学(北京)力学与土木工程学院 

出 版 物：《铁道科学与工程学报》 (Journal of Railway Science and Engineering)

年 卷 期：2024年

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：国家自然科学基金委员会与2020年度高速铁路基础研究联合基金资助项目(U2034205) 

主　　题：深度学习 语义分割 隧道病害 渗漏水 DeepLabV3+ 轻量化 

摘      要：针对传统计算机视觉渗漏水检测算法模型参量大、检测速度慢和复杂背景下抗干扰能力差的问题，提出了一种基于DeepLabV3+改进的轻量化分割模型SC-DeepLabV3+，以实现地铁隧道渗漏水病害的高效检测。首先，采用融合空间和通道激励注意力机制的（concurrent spatial and channel squeeze and excitation，简称scSE）的轻量化网络S-Efficientnet作为主干特征提取网络，以降低模型参数量，提高渗漏水检测速度；其中scSE注意力机制通过在空间和通道两个维度上进行信息的压缩和增强，突出有用通道，抑制无用通道，进而提升模型的检测精度。其次，设计一种高层语义特征细化模块CASPP(Contact-Atrous Spatial Pyramid Pooling)。该模块通过缩小膨胀因子、调整特征提取分支数以及融合深度可分离卷积，在考虑全局上下文信息的同时，增强对渗漏水边缘细节的关注；且C-ASPP模块可通过多尺度感受野特征提取结构，更准确地处理和整合来自不同尺度的语义特征，以实现对多尺度语义信息的相互交融，进而增强复杂环境下模型的抗干扰能力。最后，在构建的渗漏水混合数据集上进行实验，结果表明：S-Efficientnet主干网络极大地降低模型的复杂度，增强了对渗漏水区域的关注度；C-ASPP模块提高了对多尺度信息的综合利用；SC-DeepLabV3+模型交并比达到90.17%，模型大小仅为5.457 M，图像处理速度可达89.525 f/s。与当今主流语义分割模型相比，SC-DeepLabV3+模型在检测精度和分割速度等方面展现出显著的优越性。