复杂背景下基于改进Mask R-CNN的路面裂缝检测算法

作     者：张晓华 李小龙 艾金泉 舒兆翰 ZHANG Xiaohua;LI Xiaolong;AI Jinquan;SHU Zhaohan

作者机构：东华理工大学测绘与空间信息工程学院江西南昌330013 东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室江西南昌330013 核工业湖州勘测规划设计研究院股份有限公司浙江湖州313000 

基　　金：国家自然科学基金(42261078) 湖南省自然资源厅科技项目(2022-26) 江西省重点研发计划(20223BBE51030) 江西省地质局科技研究项目(2022JXDZKJKY08) 

出 版 物：《北京测绘》 (Beijing Surveying and Mapping)

年 卷 期：2024年第38卷第3期

页      码：431-436页

摘      要：裂缝检测对路面养护具有重要意义,深度学习在该领域取得一定成效。然而,在实际应用中,图像中的噪声纹理背景、复杂的裂缝拓扑结构和图像采集设备给裂缝检测带来了一定的挑战。为了提升在复杂场景下的路面裂缝检测精度,提出了一种改进掩码区域卷积神经网络(Mask R-CNN)模型的实例分割算法。使用ConvNeXt-T替代Mask R-CNN的ResNet50框架作为特征生成网络,在自下而上捕获长期依赖的同时保持裂缝特征多样性;设计高维特征提取模块(HFEM)获取高级语义信息,消除背景噪声;引入感受野模块(RFB),扩大感受野,增强多尺度特征信息交互能力。在多结构裂缝图像(MSCI)数据集上进行对比实验,结果表明,提出的改进方法能显著提升Mask R-CNN模型的分割精度,优于经典的Cascade Mask RCNN,最佳模型F1得分84.15%,相较原算法提高了6.29%。在DeepCrack数据集上进行泛化性实验,表现优异。

主 题 词：路面裂缝检测 复杂场景 掩码区域卷积神经网络(Mask R-CNN) 实例分割 

学科分类：070801[070801] 07[理学] 08[工学] 0708[理学-地球物理学类] 0816[工学-纺织类] 

D　O　I：10.19580/j.cnki.1007-3000.2024.03.027

馆 藏 号：203128199...