柚子快報激活碼778899分享：語義分割論文閱讀筆記6

http://yzkb.51969.com/

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

論文地址

摘要

裂縫是橋梁養(yǎng)護的主要目標，準確檢測裂縫有助于保證橋梁的安全使用。針對傳統(tǒng)圖像處理方法難以準確檢測裂紋的問題，引入深度學習技術，提出一種基于改進的DeepLabv3+語義分割算法的裂紋檢測方法。在網(wǎng)絡結(jié)構(gòu)上，DeepLabv3+網(wǎng)絡中引入了密集連接的空洞空間金字塔池化模塊，使得網(wǎng)絡能夠獲得更密集的像素采樣，從而增強網(wǎng)絡提取細節(jié)特征的能力。在獲得較大感受野的同時，網(wǎng)絡參數(shù)數(shù)量與原算法保持一致。采集不同環(huán)境條件下的橋梁裂縫圖像，建立混凝土橋梁裂縫分割數(shù)據(jù)集，通過網(wǎng)絡的端到端訓練得到分割模型。實驗結(jié)果表明，改進的DeepLabv3+算法比原DeepLabv3+算法具有更高的裂紋分割精度，平均相交率達到82.37%，裂紋細節(jié)分割更加準確，證明了該算法的有效性。

引言

裂縫作為橋梁的主要問題之一，是橋梁檢測和維護的重點目標。采取有效措施檢測橋梁裂縫有利于維護交通安全和正常運營。手動裂紋檢測方法比較簡單，依靠人工觀察來尋找裂紋，但很容易漏掉裂紋，導致檢測效率較低。在大型橋梁特別是海上橋梁的檢測中，主要工作地點是橋外高空，這大大增加了檢測工作的風險。因此，有必要實現(xiàn)橋梁裂縫的高效自動化檢測。

近年來，隨著深度學習技術的快速發(fā)展，各種深度學習網(wǎng)絡被提出，目標檢測算法也取得了巨大突破。Girshick et al.在2013年提出了R-CNN（Regions with CNN Features）網(wǎng)絡，在VOC（Visual Object Classes）數(shù)據(jù)集上取得了很好的精度。Girshick et al.對之前提出的R-CNN算法進行了優(yōu)化和改進，提出了Fast R-CNN網(wǎng)絡。由于網(wǎng)絡仍然采用選擇性搜索策略，因此速度上仍然有所欠缺。后來，Ren et al.提出了Faster R-CNN網(wǎng)絡，用RPN（Region Proposal Network）替代了Fast R-CNN中的選擇性搜索網(wǎng)絡，提高了網(wǎng)絡的速度。 2016年，Redmon提出了YOLO（You Only Look Once）算法。該網(wǎng)絡可以同時進行檢測框回歸和目標分類，大大加快了網(wǎng)絡的檢測速度。此后，YOLOv2、YOLOv3、YOLOv4逐漸被提出。Liu et al.提出了SSD（Single Shot MultiBox Detector）算法。該算法在VGG16（Visual Geometry Group）的基礎上增加了卷積層，實現(xiàn)多尺度檢測，在保證檢測速度的前提下提高檢測精度。Lin et al.在 2017年提出了RetinaNet網(wǎng)絡，利用Focal Loss解決了訓練中類別不平衡的問題，進一步提高了目標檢測的準確性。此外，2019年還提出了CornerNet、ExtremeNet、CenterNet等多種目標檢測算法。

隨著檢測需求的不斷增加，有些物體利用物體檢測算法無法獲得理想的檢測效果。因此，有學者研究了基于深度學習的圖像分割算法。Long et al.在2015年提出了FCN（全卷積網(wǎng)絡）網(wǎng)絡，可以獲得像素級的分割結(jié)果。Badrinarayanan et al.提出了SegNet，可以獲得原始圖像大小的語義分割結(jié)果。Ronneberger et al.提出了 U-Net，它由捕獲上下文的收縮路徑和實現(xiàn)精確定位的對稱擴展路徑組成。 Chen et al.提出的DeepLab系列算法，具有較高的分割精度。 DeepLabv1引入了空洞卷積操作，在不改變網(wǎng)絡參數(shù)數(shù)量的情況下增加了感受野的范圍，并獲得了更好的分割結(jié)果。近年來，作者在DeepLabv1的基礎上，先后提出了DeepLabv2、DeepLabv3和DeepLabv3+，通過優(yōu)化網(wǎng)絡結(jié)構(gòu)逐步提高算法分割性能。Zhao et al.提出了PSPNet（金字塔場景解析網(wǎng)絡），引入金字塔池化模塊，使網(wǎng)絡具有理解全局信息的能力。

####### 引出方法 針對網(wǎng)絡檢測橋梁小裂縫精度不夠的問題，提出一種基于Dense-DeepLabv3+網(wǎng)絡的橋梁裂縫圖像分割算法。通過在DeepLabv3+網(wǎng)絡中引入密集連接的空洞空間金字塔池化模塊，生成更多的檢測尺度，像素采樣覆蓋更密集，提高了網(wǎng)絡特征提取的能力。采集不同環(huán)境條件下橋梁裂縫圖像，建立數(shù)據(jù)集。通過訓練原始網(wǎng)絡和改進網(wǎng)絡得到分割模型。通過對比實驗驗證了網(wǎng)絡分割的性能，證明了本文改進的DeepLabv3+算法的有效性。

方法

為了使網(wǎng)絡能夠更好地提取裂縫特征，在原有DeepLabv3+網(wǎng)絡結(jié)構(gòu)的基礎上，由原來的獨立分支的方法改為多孔空間金字塔池化模塊。密集連接方法可以實現(xiàn)更密集的像素采樣，提高算法的特征提取能力。改進后的Dense-DeepLabv3+網(wǎng)絡結(jié)構(gòu)如圖所示。

參考DenseNet的網(wǎng)絡結(jié)構(gòu)，通過密集連接對DeepLabv3+網(wǎng)絡的ASPP模塊進行改進，如圖中黃色虛線框所示，在原有的3個空洞卷積并行的基礎上增加了串聯(lián)結(jié)構(gòu)。將空洞率較小的空洞卷積的輸出與主干網(wǎng)絡的輸出進行級聯(lián)，然后一起送入空洞率較大的空洞卷積，以達到更好的特征提取效果。

密集連接的ASPP模塊可以在計算中使用更多的像素?？斩淳矸e的像素采樣比普通卷積稀疏，感受野更大。ASPP模塊密集連接后，空洞率逐層增大，空洞率較大的層使用空洞率較小的層的輸出作為輸入，使得像素采樣更加密集，提高了像素的利用率。 原來的ASPP模塊并行工作，各分支不共享任何信息，而改進后的模塊通過跳層連接實現(xiàn)信息共享。不同空洞率的空洞卷積相互依賴，增大了感受野的范圍。 密集連接的ASPP模塊雖然可以獲得更密集的像素采樣和更大的感受野，但同時也增加了網(wǎng)絡參數(shù)的數(shù)量，從而會影響網(wǎng)絡的運行速度。為了解決這個問題，在密集連接后的每個空洞卷積之前使用1×1卷積來減少特征圖的通道數(shù)，從而減少網(wǎng)絡的參數(shù)數(shù)量，提高網(wǎng)絡的表達能力。

實驗及結(jié)果分析

評價指標 像素精度（PA）：計算正確分類的像素數(shù)與所有像素數(shù)的比率。 平均像素精度（MPA）：按類計算正確分類像素的比例，最后按類總數(shù)求平均。 原始 DeepLabv3+ 和 Dense-DeepLabv3+ 結(jié)果的比較。 Class_0代表除裂紋之外的背景部分的MIoU值，Class_1代表裂紋的MIoU值，Overall代表整體的MIoU值。原始 DeepLabv3+ 和 Dense-DeepLabv3+ 裂紋分割結(jié)果的比較。 (a) original image (b) DeepLabv3+ ? Dense-DeepLabv3+.

柚子快報激活碼778899分享：語義分割論文閱讀筆記6

http://yzkb.51969.com/

相關文章