基于并行注意力UNet的裂缝检测方法 - 刘凡, 王君锋, 陈峙宇, 许峰.pdf
免费下载
计 算 机 研 究 与 发 展
DOI
:
１０．７５４４∕issn１０００Ｇ１２３９．２０２１．２０２１０３３５
JournalofCom
p
uterResearchandDevelo
p
ment ５８
(
８
):
１７１８ １７２６
,
２０２１
收稿日期
:
２０２１
－
０４
－
０１
;
修回日期
:
２０２１
－
０５
－
２７
基金项目
:
江苏省 自然科 学基金 项目
(
BK２０１９１２９８
);
中央高 校基本 科研业 务费专 项资金
(
B２００２０２１７５
);
河海大 学海岸 灾害及 防护教 育部重
点实验室开放基金项目
(
２０１５０００９
)
Thisworkwassu
pp
ortedb
y
theNaturalScienceFoundationofJian
g
suProvince
(
BK２０１９１２９８
),
theFundamentalResearchFunds
fortheCentralUniversities
(
B２００２０２１７５
),
andtheO
p
enPro
j
ectoftheKe
y
Laborator
y
ofCoastalDisasterandProtection
(
Hohai
Universit
y
)
ofMinistr
y
ofEuducation
(
２０１５０００９
)
．
基于并行注意力
UNet
的裂缝检测方法
刘
凡
王 君 锋
陈 峙 宇
许
峰
(
河海大学计算机信息学院
南京
２１００９８
)
(
海岸灾害与防护教育部重点实验室
(
河海大学
)
南京
２１００９８
)
(
１９１３０７０４００２５＠hhu．edu．cn
)
ParallelAttentionBasedUNetforCrackDetection
LiuFan
,
Wan
g
Junfen
g
,
ChenZhi
y
u
,
andXuFen
g
(
Colle
g
eo
f
Com
p
uterIn
f
ormation
,
HohaiUniversit
y
,
Nan
j
in
g
２１００９８
)
(
Ke
y
Laborator
y
o
f
CoastalDisasterandProtection
(
HohaiUniversit
y
),
Ministr
y
o
f
Education
,
Nan
j
in
g
２１００９８
)
Abstract Crackshavehiddensafet
y
hazardsto
p
ublicfacilities
,
socrackdetectionisessentialforthe
maintenanceof
p
ublicfacilities．Duetotheinterferenceofnoise
,
li
g
ht
,
shadow
,
andotherfactorsin
thecrackima
g
es
,
theneuralnetworkiseasil
y
affecteddurin
g
thetrainin
gp
rocess
,
whichcauses
deviationsinthe
p
redictionresultsandreducesthe
p
redictioneffect．Tosu
pp
ressthesedisturbances
,
a
p
arallelattention mechanismisdesi
g
nedandthenthe
p
arallelattentionbased UNet
(
PAＧUNet
)
is
p
ro
p
osedb
y
embeddin
g
thisattention mechanism into UNet．The
p
arallelattention mechanism
increasesthewei
g
htsofcrackfeaturesfrom thetwodimensionsofchannelands
p
acetosu
pp
ress
interference
,
thenfusesthefeatures
g
eneratedb
y
thesetwodimensionstoobtainmorecom
p
lementar
y
crackfeatures．Toverif
y
theeffectivenessofthe
p
ro
p
osedmethod
,
wehaveconductedex
p
erimentson
fourdatasets．Ex
p
erimentalresultsshowthatourmethodout
p
erformstheexistin
gp
o
p
ularmethods．
Meanwhile
,
to demonstratetheeffectivenessofthe
p
arallelattention mechanism
,
weconducta
com
p
arativeex
p
erimentwithotherfourattention mechanisms．Theresultsshowthatthe
p
arallel
attentionmechanism
p
erformsbetterthanothers．
Ke
y
words crackdetection
;
p
arallelattentionmechanism
;
UNet
;
su
pp
ressinterference
;
com
p
lementar
y
摘
要
裂缝对公共设施而言存在着安全 隐患
,
因此裂 缝检测 是公共 设施进 行维护 的重要 手段
．
由于裂
缝图像中存在噪声
、
光线
、
阴影等因素干扰
,
神经网络在训练时极易被影 响
,
导致预 测结果 出现偏 差
,
降
低预测效果
．
为减少这些干扰
,
设计了一个并行注意力机制
,
并将其嵌入到
UNet
网络的解码部分
,
进而
提出了并行注意力
UNet
(
p
arallelattentionbasedUNet
,
PAＧUNet
)
．
该方法 分别从 通道和 空间
２
个维
度加大裂缝特征权重以抑制干扰
,
然后对这
２
个维度生成的特征进行融合
,
以获得更具互补性的裂缝特
征
．
为了验证该方法的有效性
,
选取了
４
个数据集进行实验
,
结果表明该方法较现有的主流方法
,
裂缝检
测效果更加优异
．
同时
,
为了验证并行注意力机制的有效性
,
选取了
４
种注意力机制与其进行对比实验
,
结果表明并行注意力机制效果优于其他注意力机制
．
关键词
裂缝检测
;
并行注意力机制
;
UNet
;
抑制干扰
;
互补性
中图法 分类号
TP３９１
裂缝作为公共设 施 中一 种 常见 现 象
,
存在 着 重
大的安全隐患
．
因 此 设 计 一 种 有 效 的 裂 缝 检 测 方 法
对保障社会公 共 财 产 安 全 具 有 重 要 意 义
．
早 期 的 裂
缝检测采用人工检测
,
由于其花费时间长
,
且易受主
观判断影响
,
难以推广应用
．
因此
,
为了克服人为因素
造成的主观误差
,
学 者 们 提 出 了 基 于 图 像 处 理 的 自
动检 测 方法
,
包括 小 波变 换
[
１Ｇ２
]
、
阈值 分 割
[
３Ｇ５
]
、
方向
各异性
[
６Ｇ７
]
、
边缘算法
[
８Ｇ１０
]
和直方图
[
１１Ｇ１３
]
等
．
这些方法
通过机器进行检测
,
避免了人为误差的产生
,
同时大
大提高了检测的效率
,
促进了检测技术的发展
．
但还
是存在一些不足
,
当裂缝图像环境较为复杂时
,
这些
方法很难获得准确的结果
,
因此需要进一步的研究
．
近年来
,
随着深度学习的快速发展
,
其在裂缝检
测领域中也得到了广泛应用
．
如墙壁裂缝检测
[
１４Ｇ１５
]
、
桥塔和锚 室表面 裂缝检 测
[
１６Ｇ１７
]
、
路面裂 缝检测
[
１８Ｇ２０
]
和混凝土裂缝检测
[
２１Ｇ２２
]
等
．
在进行裂缝检测时
,
深度
学习方法不仅注重 裂 缝特 征 的提 取
,
而且 关 注图 像
中的上下文信息
,
使最后提取的特征更加精准有效
．
但这些方法在提取裂缝特征时
,
易受到图像中噪声
、
光线
、
阴影等因素 的 干扰
,
导致 预 测结 果 出现 偏 差
,
降低检测准确度
．
针对此问题
,
本文设计了一个并行
注意力机制
,
并将其嵌入到
UNet
网络的解码部分
,
进而提出了 并 行 注 意力
UNet
裂 缝 检 测方 法
．
该 并
行注意力机制分别从通道和空间
２
个维度对裂缝特
征权重进行充分分 配
,
然后 将 重新 分 配后 的 特征 融
合
,
以获得更具互补性的裂缝特征并抑制干扰
．
与串
行结构的注意力机 制 相比
,
本文 设 计的 并 行注 意 力
机制在精确捕获裂 缝 特征 的 同时
,
又能 有 效抑 制 各
种干扰
．
１
相关工作
目前
,
深度学 习方法 在裂缝 检测领 域被广 泛应
用
．
如
Yao
等人
[
２３
]
提出了一种基于卷积 神经网 络的
裂缝图像识别方法
,
该方法可以解决检测效率低
、
环
境约束大的问题
,
并提 高 了检 测 速度 和 精度
．Liu
等
人
[
２４
]
提出了像素 级 分 类 网 络
UNet
,
该 网 络 将 局 部
信息与全局信息相 结 合
,
显著 提 高了 裂 缝特 征 提取
的精确性
．
由于 裂 缝 检 测 中 的 标 注 数 据 是 人 为 标 记
的
,
这会导 致 裂 缝 标 记 的 不 精 准
,
因 此
Ali
等 人
[
２５
]
提出了一种基于卷积神经网络的路面裂缝自动检测
算法
,
通过
CNN
网络与 滑动窗 口结合
,
准确定 位裂
缝所在位置
,
解决了人工标记的缺陷
．Nie
等人
[
２６
]
提
出了一种基 于
YOLO
(
Youonl
y
lookonce
)
V３
的
路面裂缝检测方法
,
解决 了 传统 路 面裂 缝 检测 实 时
性差
、
精度低的问题
．
随着不断 深入研 究
,
学者们 在现有 网络的 基础
上进行了改进
．Son
g
等人
[
２７
]
提出了一种高效的裂缝
检测方法
,
通过建立 多 尺度 空 洞卷 积 模块 来 获取 裂
缝的上下文信息
,
并在 此 基础 上 引入 一 种注 意 力机
制
,
进一步提取高层特征
．
为解决裂缝与周围路面对
比度低的问题
,
Xian
g
等人
[
２８
]
提出 了 一种 端 到 端 深
度卷积神经网络的 路 面裂 缝 检测 方 法
,
该方 法 采用
金字塔模块对复杂的裂缝拓扑结构进行全局上下文
信息挖掘
,
并引入了一个空间 通道组合注意力模块
来细化裂缝特 征
．Koni
g
等 人
[
２９
]
提 出 了 一 个 完 全 卷
积
UNet
架构来自动化注释任务
,
并在该架构的基础
上嵌入了基于注意力的门控机制
,
进一步传播
ReLu
激活
．Wan
g
等人
[
３０
]
提出了一种改进的
IＧUNet
网络
,
利用空洞卷积 扩 展 卷 积 的 接 受 域
．
将 提 取 到 的 不 同
尺度特征进行多 尺 度融 合
,
使改 进 后的 网 络具 有 更
好的效果和鲁棒性
．Fan
等人
[
３１
]
提出了
UＧHierarchical
DilatedNetwork
(
UＧHDN
),
通过多尺度模块集成不
同尺度的裂缝特 征以 获 取 更 多 的 裂 缝 信 息
,
并 通 过
分层特征学习模块 集 成不 同 层的 特 征
,
以获 取 更精
确的预测结果
．
为了克服各种类型的噪声
,
Li
等人
[
３２
]
提出了 一 种 基 于深 度卷 积神 经 网 络
(
convolutional
neuralnetwork
,
CNN
)
的图 像 裂缝 检 测 方 法
,
该 方
法首先训练
CNN
分类器
,
再将训练好的
CNN
分类
器和滑动窗口结合进行穷举搜索
,
从而获得更精确的
裂缝定位
．
针对隧道图像中裂缝细小且存在大量噪声
问题
,
Li
等人
[
３３
]
提出了 一种基 于
UNet
和
Cli
q
ueNet
(
convolutional neuralnetworks with alternatel
y
u
p
datedcli
q
ue
)
的卷积神经 网络
UＧCli
q
ueNet
,
通过
Cli
q
ueBlock
代替
UNet
的卷 积 层
,
实 现 更 准 确
、
快
速地从背景中分 离 裂缝
．Ren
等人
[
３４
]
提出 了 一种 改
进的深度 全 卷 积 神 经 网 络
CrackSe
g
Net
进 行 裂 缝
分割
,
该方法能有效提取多尺度特征
,
大大提高了网
络整体的裂缝 检 测 能 力
．
这 些 网 络 相 较 之 前 的 网 络
在检测效果方面有 了 较大 的 提升
,
但仍 存 在一 些 不
足
,
例如检测结果中 存 在干 扰 或者 无 法较 精 准地 分
割出裂缝区域
．
针对这些不足
,
目前比较流行的解决方案是嵌入
９１７１
刘
凡等
:
基于并行注意力
UNet
的裂缝检测方法
of 9
免费下载
【版权声明】本文为墨天轮用户原创内容，转载时必须标注文档的来源（墨天轮），文档链接，文档作者等基本信息，否则作者和墨天轮有权追究责任。如果您发现墨天轮中有涉嫌抄袭或者侵权的内容，欢迎发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
下载排行榜
评论