【文献阅读笔记】之基于注意力机制的深度学习路面裂缝检测

关注

VIP免费原创 2022-04-12 20:47:12 7.5k 阅读 AI 写同款· GEO 优化 ›

YoloV5 Crack500 裂缝语义识别训练自己的数据集在requirements.txt文件中，可以看到安装的时候都是>=，其实可以全改成==就ok了# wandb# clearmlfilterpy# roboflowt=N7T8。阅读详情

中文，计算机辅助设计与图形学学报，第 32 卷第 8 期，2020 年 8 月。

DOI: 10.3724/SP.J.1089.2020.18059

摘要：

为实现自动准确地检测路面裂缝, 提升路面裂缝检测效果, 提出了一种基于注意力机制的裂缝检测网络 (attention-based crack networks, ACNet). 该网络采用编码器-解码器网络构架, 编码器采用 ResNet34 为骨干网, 提取路面裂缝特征; 在编码器和解码器间加入基于注意力机制的特征模块(attention-based feature module, AFM), 以利用全局信息和增加对检测不同尺度裂缝的鲁棒性, 更好地提取裂缝特征和定位裂缝位置; 在解码阶段也引入注意力机制, 设计了基于注意力机制的解码模块(attention-based decoder module, ADM), 实现对裂缝的准确定位. 在公共裂缝数据集 CFD 和 CRACK500 上, 与U-Net 等其他 8 种方法进行了比较, 结果表明, ACNet 裂缝检测效果更理想, 在主观视觉上, 裂缝定位更准确, 细节更丰富; 在实验指标 F1和重合率上, 检测结果都有明显提升, 说明了该网络的有效性。

研究背景

基于图像的路面裂缝检测, 可以看成是从图像中分割出裂缝区域,图像分割时, 一般以图像(单通道或多通道)为输入, 输出是带有标签的分类后的图像, 而图像的大小保持不变。

传统方法

基于直方图估计、梯度方向直方图、局部二值模式、Gabor 滤波和多特征融合。

局限性：对输入图像的质量要求较高, 往往在外界环境发生变化、光线不均和有噪声干扰时, 裂缝检测的性能将受到极大影响。

基于深度学习的方法

1.以像素为单位, 利用周围的像素对该像素进行分类。基于卷积神经网络框架, 以每个像素点得到一个相应的图像块, 输入网络训练, 图像的分割被看成像素点的二分类问题。

第一种方法像是以每一个像素点作为一张图片的图像分类问题，得到的结果只有两种：是裂缝和不是裂缝。问题在于，对于一张图片而言，若某一像素点是我们需要检测的目标，那么该像素点周围大概率也是我们需要检测的目标（即相邻像素点得到的图像块相似度高），不仅计算量大，且高度冗余。

2.以图像为整体进行分割, 一般采用 FCN 或 U-Net 网络框架，即采用编码器-解码器结构。encoder通过下采样进行特征提取, 包括底层、中层和高层特征；decoder通过上采样将特征还原到原图像的尺寸, 从而得到最终的分割结果。

这种方法为端到端的图像分割方法，是目前深度学习中常用的一种方法。在此基础上，有许多改进的模块。例如：

金字塔池化模块（Pyramid Pooling Module）它能够聚合不同区域的上下文信息,从而提高获取全局信息的能力。该模块的具体实现过程为，先对feature map 进行下采样，得到不同尺度的输出，再通过1*1卷积改变通道，再分别对不同尺寸的feature map进行上采样，最后将上采样结果concat。