语义分割论文阅读笔记6

Bridge Crack Semantic Segmentation Based on Improved Deeplabv3+，2021，SCI Q1

论文地址

摘要

裂缝是桥梁养护的主要目标，准确检测裂缝有助于保证桥梁的安全使用。针对传统图像处理方法难以准确检测裂纹的问题，引入深度学习技术，提出一种基于改进的DeepLabv3+语义分割算法的裂纹检测方法。在网络结构上，DeepLabv3+网络中引入了密集连接的空洞空间金字塔池化模块，使得网络能够获得更密集的像素采样，从而增强网络提取细节特征的能力。在获得较大感受野的同时，网络参数数量与原算法保持一致。采集不同环境条件下的桥梁裂缝图像，建立混凝土桥梁裂缝分割数据集，通过网络的端到端训练得到分割模型。实验结果表明，改进的DeepLabv3+算法比原DeepLabv3+算法具有更高的裂纹分割精度，平均相交率达到82.37%，裂纹细节分割更加准确，证明了该算法的有效性。

引言

裂缝作为桥梁的主要问题之一，是桥梁检测和维护的重点目标。采取有效措施检测桥梁裂缝有利于维护交通安全和正常运营。手动裂纹检测方法比较简单，依靠人工观察来寻找裂纹，但很容易漏掉裂纹，导致检测效率较低。在大型桥梁特别是海上桥梁的检测中，主要工作地点是桥外高空，这大大增加了检测工作的风险。因此，有必要实现桥梁裂缝的高效自动化检测。

近年来，随着深度学习技术的快速发展，各种深度学习网络被提出，目标检测算法也取得了巨大突破。Girshick et al.在2013年提出了R-CNN（Regio