基于改进Fast-SCNN的裂缝图像实时分割算法
裂缝检测是一项关键工程任务,针对现有的主流裂缝语义分割模型参数量大、计算量高、实时性弱等问题,提出一种基于Fast-SCNN(fast segmentation convolution neural network)改进的裂缝图像实时分割算法.首先,该算法在Fast-SCNN基础上优化了空间金字塔池化模块SPP(spatial pyramid pooling)存在像素位置信息丢失以及计算量大的不足,提出了一种轻量级的特征金字塔注意力模块;其次,改进了上采样的方式,充分考虑像素之间的关系,提出了一种轻量级的位置自注意力模块用于上采样,以此来提升检测精度;最后,双分支的各自输出通过注意力门突显裂缝相关区域和抑制无关背景.所提算法能够为模型提供更为精确的像素级别的注意力,更加有效识别细小裂缝和提升复杂背景裂缝分割的鲁棒性.实验结果表明:与现有的主流模型和其他轻量级模型相比,该算法进一步平衡了分割精度与检测速度,在裂缝数据集上达到 80.31%的平均交并比,F1 score为 76.74%,参数量为 1.20 M,计算量不足 1G,推理速度达到 151 f/s,对裂缝图像实时分割检测任务具有较高的应用价值.
裂缝检测、语义分割、Fast-SCNN、实时分割、注意力机制
44
TN206;TP391(光电子技术、激光技术)
国家自然科学基金61976083
2023-06-08(万方平台首次上网日期,不代表论文的发表时间)
共9页
539-547