不卡av在线播放,91免费欧美精品,欧美日韩亚洲在线

基于SegFormer语义分割网络的桥梁裂缝检测模型

电子技术应用 11期

李亦湘1，苏国韶2，黄涌1，刘玉柳1，秦远卓2

（1.广西壮族自治区建筑工程质量检测中心有限公司，广西南宁530005；2.广西大学土木建筑工程学院，广西南宁 530004）

摘要： 表观裂缝检测是桥梁结构安全检测的重要内容，针对桥梁裂缝人工检测手段效率低以及基于一般的卷积神经网络（CNN）深度学习架构的裂缝检测模型耗时较大的问题，基于计算机视觉领域表现优异的深度学习架构Transformer，提出一种基于SegFormer语义分割网络的桥梁裂缝实时检测模型。研究表明，该模型是可行的，与基于CNN架构的LR-ASPP和BiSeNet V2等常用轻量级深度学习模型相比，裂缝检测的准确性、实时性与鲁棒性明显较优，将此模型结合无人机航拍应用于实际桥梁裂缝检测，取得了良好成效。

關鍵詞： 桥梁工程裂缝检测语义分割深度学习

中圖分類號：TP391.41；U447
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.234130
引用格式：李亦湘，蘇國韶，黃涌，等. 基于SegFormer語義分割網絡的橋梁裂縫檢測模型[J]. 電子技術應用，2023，49(11)：94-99.

Bridge crack detection model using SegFormer semantic segmentation network

Li Yixiang1，Su Guoshao2，Huang Yong1，Liu Yuliu1，Qin Yuanzhuo2

(1.Guangxi Construction Testing Center Co.， Ltd.， Nanning 530005， China；2.College of Civil Engineering and Architecture， Guangxi University， Nanning 530004， China)

Abstract： The detection of surface cracks is a crucial aspect of bridge safety inspection. To address the issue of low efficiency of manual crack detection methods for bridges, and the time-consuming nature of conventional convolutional neural network (CNN)-based crack detection models, a real-time bridge crack detection model based on SegFormer semantic segmentation network is proposed. This model leverages the Transformer architecture, which has demonstrated excellent performance in computer vision. The study demonstrates the feasibility of the proposed model, which exhibits superior accuracy, real-time performance, and robustness in crack detection compared to commonly used lightweight CNN-based deep learning models such as LR-ASPP and BiSeNet V2. The proposed model, when combined with UAV aerial photography, has been applied to actual bridge crack detection, resulting in commendable outcomes.

Key words : bridge engineering；crack detection；semantic segmentation；deep learning

【引言】

裂縫是橋梁基礎設施安全運行的重要威脅，是橋梁結構退化的最初跡象之一[1-2]，表觀裂縫檢測是橋梁結構安全檢測的重要內容[3-5]。傳統的橋梁裂縫人工檢測手段存在效率低、實時性差與安全風險高等問題，亟待解決。

近年來，計算機視覺技術快速發展，其設備成本低、檢測速度快、適用范圍廣等優勢日益突出，在裂縫檢測領域得到越來越廣泛的應用[6-8]。在這類技術中，又以深度學習作為裂縫檢測領域的主流方法。例如，Zhang等[9]訓練了一個深度卷積神經網絡，對智能手機收集的圖像中的圖像塊進行分類；Kang等[10]集成了3種獨立的計算機視覺算法，其中基于Faster-RCNN[11]的裂縫檢測達到了95%的平均精度；Liu等[12]首先采用U-Net[13]檢測混凝土裂縫，能夠以更少的訓練集達到更高的精度。在實際工程應用中，基于深度學習的裂縫檢測的耗時是一個影響裂縫檢測工作效率的重要因素[14-15]。然而，現有的大多數深度學習方法主要關注檢測準確性，而忽略實時性的問題。這些方法存在模型參數龐大、算法計算量大的不足，需要足夠的硬件資源來支持，難以滿足實際應用場景中對裂縫檢測實時性的要求，尤其是面對內存小、計算能力弱、通信帶寬低等情況。

當前，Transformer深度學習網絡架構已成為計算機視覺領域的熱點，它已經在自然語言處理、計算機視覺等領域展現了前所未有的實力[16-18]。然而，已有的基于計算機視覺的裂縫檢測多側重于卷積神經網絡（CNN）架構，基于Transformer架構的結構裂縫識別研究較為少見。SegFormer是一種新近出現的將Transformer和輕量級的多層感知器（MLP）相結合的語義分割框架，在ADE20k[19]、Cityscapes[20]等數據集上取得了優越結果[21]。本文提出一種基于SegFormer語義分割網絡的橋梁表觀裂縫實時檢測模型，為橋梁結構表觀裂縫的高效快速檢測提供一條新的有效途徑。

文章詳細內容下載請點擊：基于SegFormer語義分割網絡的橋梁裂縫檢測模型AET-電子技術應用-最豐富的電子設計資源平臺 (chinaaet.com)

【作者信息】

李亦湘1，蘇國韶2，黃涌1，劉玉柳1，秦遠卓2

（1.廣西壯族自治區建筑工程質量檢測中心有限公司，廣西南寧530005；2.廣西大學土木建筑工程學院，廣西南寧 530004）

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容