基于语义分割的混凝土桥梁网状裂缝检测方法研究

作     者：黄蝶 

作者单位：重庆交通大学 

学位级别：硕士

导师姓名：杨建喜;蒋仕新

授予年度：2023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] 

主      题：语义分割 网状裂缝检测 注意力机制 轻量化 特征关联 

摘      要：裂缝是混凝土桥梁中极为常见的病害类型,对混凝土桥梁的安全构成巨大威胁,故及时高效地检测能预防进一步的结构损伤。然而,现有研究大多是针对常规裂缝的检测,对网状裂缝检测的相关研究偏少。网状裂缝具有出现早、复杂度高、分布广的特点,对混凝土桥梁会造成更加严重的破坏。因此,网状裂缝检测方法的研究对混凝土桥梁的安全至关重要。尽管当下基于深度学习的裂缝检测技术非常成熟,但对于网状裂缝的有效检测仍存在一定不足。本论文针对网状裂缝检测中背景噪声复杂导致主干(粗)裂缝检测结果不连续及细小分支分布范围广导致难以检测的问题进行研究,主要内容包含以下两点:(1)提出了一种基于轻量级注意力机制的混凝土桥梁网状裂缝检测方法,该方法旨在通过赋予裂缝像素高权重来提高网状裂缝中主干(粗)裂缝的检测能力。首先,引入了高效通道注意力机制模块对裂缝像素进行加权,取代了基础网络UNet的单一复制过程,使网络更多地关注裂缝像素,提高区分裂缝像素和非裂缝像素的能力,加强线条连续性;其次,设计了轻量级卷积模块压缩网络,节省计算资源,使其在保证检测精度的情况下占用较少空间,达到轻量化网络的效果;最后,在处理后的公共数据集Crack-Dataset和Bridge-Crack-Image上分别进行了消融实验和对比实验,消融实验结果中参数量降低了38.8%,对比实验结果中F1值高达84.3%,表明所提模型能够很好地提升网状裂缝检测的连续性并压缩网络模型。(2)提出了一种基于高低层特征关联的混凝土桥梁网状裂缝检测方法,该方法旨在弥补卷积和池化过程中丢失的裂缝像素,在保持主干(粗)裂缝检测连续性的基础上提高检测细小分支裂缝的能力。首先,构建了高低层特征关联模块,提高下采样计算中裂缝像素的分割能力,增加裂缝的细节特征;其次,根据网状裂缝的特点优化了高效通道注意力机制模块,减少卷积过程中裂缝像素损失,降低非裂缝像素权重;随后,设计了池化叠加模块,使其在进行抽象特征图还原时减少裂缝像素的丢失,提高细小分支裂缝特征的提取能力;最后,在处理后的公共数据集CrackDataset上进行了消融实验,实验结果表明高低层特征关联模块和池化叠加模块能够检测出更多的细小分支裂缝像素,且优化后的高效通道注意力机制模块能够很好地抑制非裂缝像素。此外,在处理后的公共数据集Bridge-Crack-Image和CrackForest-dataset上分别进行了对比实验,其骰子相似度系数均值分别提升了4.4%、7.7%,表明提出的模型提取细小分支裂缝像素的能力优于其他对比网络。