基于优化DeepLabv3+的混凝土梁裂缝分割及特征量化.pdfVIP

2023年第23卷第9期科学技术与工程ISSN1671—1815

2023,23(9):03794-10ScienceTechnologyandEngineeringCN11—4688/T

引用格式:张修杰,袁嘉豪,岳学军,等.基于优化DeepLabv3+的混凝土梁裂缝分割及特征量化[J].科学技术与工程,2023,23(9):

3794-3803.

ZhangXiujie,YuanJiahao,YueXuejun,etal.Cracksegmentationandfeaturequantificationofconcretebeamsbasedonoptimized

DeepLabv3+[J].ScienceTechnologyandEngineering,2023,23(9):3794-3803.

基于优化DeepLabv3+的混凝土梁裂缝分割及特征量化

1,2331∗

张修杰,袁嘉豪,岳学军,张伟锋

(1.华南农业大学水利与土木工程学院,广州510642;2.广东省交通规划设计研究院集团股份有限公司,广州510507;

3.华南农业大学人工智能学院,广州510642)

摘要目前基于深度神经网络的裂缝分割模型存在着训练参数多、裂缝边缘分割粗糙、分割精度不足、缺少深度特征语义信息

等问题。为解决以上问题,对分割性能较好的DeepLabv3+模型进行研究,嵌入Non-local注意力机制,并改进了主干网络

ResNet101得到优化模型DeepLabv3+(N-S),最后基于优化模型的输出并使用裂缝骨架提取的方法来量化裂缝特征参数。使用

的数据集为自制的混凝土梁裂缝图像数据集,并对优化前后模型作对比实验,分析了模型在各项性能上优化的有效性,并使用实测

数据来验证评估裂缝各项特征参数量化方法。实验结果表明,DeepLabv3+(N-S)网络在数据集上的平均像素准确率(meanpixelac-

curacy,mPA)、平均交并比(meanintersectionoverunion,mIoU)分别达到了88.86%、82.04%,较于原模型分别提高2.21%、2.54%,裂

缝分割效果优于原模型,且裂缝样本各项特征参数量化的平均误差为+8.7%,低于原模型,可满足工程上的检测精度需求。

关键词裂缝分割;DeepLabv3+模型;Non-local;主干网络改进;裂缝特征参数量化

中图法分类号TP391;文献标志码A

CrackSegmentationandFeatureQuantificationofConcrete

BeamsBasedonOptimizedDeepLabv3+

1,2331∗

ZHANGXiu-jie,YUANJia-hao,YUEXue-jun,ZHANGWei-feng

(1.CollegeofWaterConservancyandCivilEngineering,SouthChinaAgriculturalUniversity,Guangzhou510642,China;

2.GuangdongTransportationPlanningDesignInstituteGroupCo.,Ltd.,Guangzhou510507,China;

3.CollegeofArtificialInt