典型文献
基于特征增强学习的路面裂缝病害视觉检测方法
文献摘要：
受路面复杂背景的干扰,既有的路面裂缝病害视觉检测算法易产生虚警和漏检问题.基于此,提出一种基于语义特征增强学习的路面裂缝病害检测方法.为了强化网络模型对图像浅层特征的利用,该算法以Unet++网络为裂缝检测的主框架,其通过融合更多的底层特征信息来提升裂缝病害检测的精度.在Unet++网络层间特征融合的基础上,根据不同卷积层的特征图属性,进一步差异性地引入视觉注意力计算模块,有效抑制背景杂波的干扰,减少虚警率.为了降低裂缝病害检测的漏检率,利用空洞卷积操作分别从2方面改进网络模型的训练过程:其一,应用空洞卷积代替传统的池化操作,通过网络的自动学习剔除无关紧要的特征信息,加强网络对细微裂缝特征的学习能力;其二,在网络上采样前,建立空洞卷积金字塔池化层,通过增加对裂缝特征的尺度多样性计算,保证网络模型在不同拍摄距离下裂缝病害检测的适用性.收集大量的路面裂缝图像数据并与不同算法进行对比分析,实验结果表明本算法取得了比全卷积网络、原始Unet++网络更优的裂缝检测效果.
文献关键词：
裂缝检测;Unet++网络;注意力机制;空洞卷积
中图分类号：
作者姓名：
王保宪;白少雄;赵维刚
作者机构：
石家庄铁道大学 安全工程与应急管理学院,河北 石家庄 050043;石家庄铁道大学 电气与电子工程学院,河北 石家庄 050043
文献出处：
引用格式：
[1]王保宪;白少雄;赵维刚-.基于特征增强学习的路面裂缝病害视觉检测方法)[J].铁道科学与工程学报,2022(07):1927-1935
A类：
B类：
特征增强,增强学习,路面裂缝,裂缝病害,视觉检测,复杂背景,检测算法,语义特征,病害检测,Unet++,裂缝检测,底层特征,特征信息,网络层,特征融合,卷积层,特征图,视觉注意力,杂波,虚警率,漏检率,卷积操作,进网,训练过程,池化操作,自动学习,无关紧要,细微裂缝,微裂缝特征,上采样,空洞卷积金字塔,金字塔池化,裂缝图像,图像数据,全卷积网络,检测效果,注意力机制
AB值：
0.328119
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
