基于改进U-Net模型的路面裂缝智能识别

摘要

针对路面细小裂缝难以提取及样本不平衡问题,提出了一种基于改进U-Net模型的路面裂缝识别方法,以实现路面裂缝的精准识别。在下采样的过程中用残差块代替了原本网络的卷积块,减小网络复杂度以及改善网络过拟合现象,降低网络发生梯度爆炸的概率;在编码器和解码器过渡阶段,引入空洞空间金字塔池化(atrous spatial pyramid pooling, ASPP)网络结构,增加网络的感受野,获取丰富的上下文信息;在编码器和解码器连接过程中,使用Attention Gate代替原来的直接相加操作,提取图像的低级特征,减少细节信息的损失;针对正负样本不平衡问题,提出了将交叉熵损失函数和Focal损失函数相结合的混合损失函数。实验结果表明,该网络模型具有较好的泛化能力,平均交并比(mean intersection over union,)评价指标达到81.24%。与传统算法相比,有效地提高了识别的准确度,减少了特征细节信息的损失,提高了对路面裂缝的检测能力。