基于改进DeeplabV3+和迁移学习的桥梁裂缝检测

TP319.4; 裂缝作为桥梁最主要的病害之一,及时高效地发现和评估裂缝对保持桥梁的健康状况至关重要.针对裂缝标注数据集成本高、检测精度低等问题,提出了一种基于注意力机制和迁移学习的改进DeeplabV3+模型.该模型通过添加注意力机制来获取丰富上下文信息,提高裂缝特征通道的学习能力,降低背景噪声影响;通过公共数据集和小样本数据集组合建立源域数据集、目标域数据集以供迁移学习使用,以此来降低训练样本过少对检测性能的影响.实验结果表明,改进DeeplabV3+模型对桥梁裂缝检测获得了较好的检测效果,检测精度达到了93.3％,较原始模型提高了3个百分点;通过迁移学习训练模型在小样本数据上取得较高的检...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 5; pp. 262 - 269
Main Authors 赵雪冰, 王俊杰
Format Journal Article
LanguageChinese
Published 中国海洋大学 工程学院,山东 青岛 266100 01.03.2024
Subjects
注意力机制
裂缝检测
小样本学习
迁移学习
语义分割
Online AccessGet full text

Cover

More Information
Summary:TP319.4; 裂缝作为桥梁最主要的病害之一,及时高效地发现和评估裂缝对保持桥梁的健康状况至关重要.针对裂缝标注数据集成本高、检测精度低等问题,提出了一种基于注意力机制和迁移学习的改进DeeplabV3+模型.该模型通过添加注意力机制来获取丰富上下文信息,提高裂缝特征通道的学习能力,降低背景噪声影响;通过公共数据集和小样本数据集组合建立源域数据集、目标域数据集以供迁移学习使用,以此来降低训练样本过少对检测性能的影响.实验结果表明,改进DeeplabV3+模型对桥梁裂缝检测获得了较好的检测效果,检测精度达到了93.3％,较原始模型提高了3个百分点;通过迁移学习训练模型在小样本数据上取得较高的检测精度,可节省大量标注成本.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2204-0503