柚子快報(bào)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(hù)的主要目標(biāo)，準(zhǔn)確檢測(cè)裂縫有助于保證橋梁的安全使用。針對(duì)傳統(tǒng)圖像處理方法難以準(zhǔn)確檢測(cè)裂紋的問題，引入深度學(xué)習(xí)技術(shù)，提出一種基于改進(jìn)的DeepLabv3+語義分割算法的裂紋檢測(cè)方法。在網(wǎng)絡(luò)結(jié)構(gòu)上，DeepLabv3+網(wǎng)絡(luò)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(luò)能夠獲得更密集的像素采樣，從而增強(qiáng)網(wǎng)絡(luò)提取細(xì)節(jié)特征的能力。在獲得較大感受野的同時(shí)，網(wǎng)絡(luò)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(luò)的端到端訓(xùn)練得到分割模型。實(shí)驗(yàn)結(jié)果表明，改進(jìn)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(dá)到82.37%，裂紋細(xì)節(jié)分割更加準(zhǔn)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(cè)和維護(hù)的重點(diǎn)目標(biāo)。采取有效措施檢測(cè)橋梁裂縫有利于維護(hù)交通安全和正常運(yùn)營。手動(dòng)裂紋檢測(cè)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(dǎo)致檢測(cè)效率較低。在大型橋梁特別是海上橋梁的檢測(cè)中，主要工作地點(diǎn)是橋外高空，這大大增加了檢測(cè)工作的風(fēng)險(xiǎn)。因此，有必要實(shí)現(xiàn)橋梁裂縫的高效自動(dòng)化檢測(cè)。

近年來，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，各種深度學(xué)習(xí)網(wǎng)絡(luò)被提出，目標(biāo)檢測(cè)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(luò)，在VOC（Visual Object Classes）數(shù)據(jù)集上取得了很好的精度。Girshick et al.對(duì)之前提出的R-CNN算法進(jìn)行了優(yōu)化和改進(jìn)，提出了Fast R-CNN網(wǎng)絡(luò)。由于網(wǎng)絡(luò)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(luò)，用RPN（Region Proposal Network）替代了Fast R-CNN中的選擇性搜索網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)的速度。 2016年，Redmon提出了YOLO（You Only Look Once）算法。該網(wǎng)絡(luò)可以同時(shí)進(jìn)行檢測(cè)框回歸和目標(biāo)分類，大大加快了網(wǎng)絡(luò)的檢測(cè)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(chǔ)上增加了卷積層，實(shí)現(xiàn)多尺度檢測(cè)，在保證檢測(cè)速度的前提下提高檢測(cè)精度。Lin et al.在 2017年提出了RetinaNet網(wǎng)絡(luò)，利用Focal Loss解決了訓(xùn)練中類別不平衡的問題，進(jìn)一步提高了目標(biāo)檢測(cè)的準(zhǔn)確性。此外，2019年還提出了CornerNet、ExtremeNet、CenterNet等多種目標(biāo)檢測(cè)算法。

隨著檢測(cè)需求的不斷增加，有些物體利用物體檢測(cè)算法無法獲得理想的檢測(cè)效果。因此，有學(xué)者研究了基于深度學(xué)習(xí)的圖像分割算法。Long et al.在2015年提出了FCN（全卷積網(wǎng)絡(luò)）網(wǎng)絡(luò)，可以獲得像素級(jí)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(shí)現(xiàn)精確定位的對(duì)稱擴(kuò)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(luò)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(chǔ)上，先后提出了DeepLabv2、DeepLabv3和DeepLabv3+，通過優(yōu)化網(wǎng)絡(luò)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(chǎng)景解析網(wǎng)絡(luò)），引入金字塔池化模塊，使網(wǎng)絡(luò)具有理解全局信息的能力。

####### 引出方法 針對(duì)網(wǎng)絡(luò)檢測(cè)橋梁小裂縫精度不夠的問題，提出一種基于Dense-DeepLabv3+網(wǎng)絡(luò)的橋梁裂縫圖像分割算法。通過在DeepLabv3+網(wǎng)絡(luò)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(cè)尺度，像素采樣覆蓋更密集，提高了網(wǎng)絡(luò)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(xùn)練原始網(wǎng)絡(luò)和改進(jìn)網(wǎng)絡(luò)得到分割模型。通過對(duì)比實(shí)驗(yàn)驗(yàn)證了網(wǎng)絡(luò)分割的性能，證明了本文改進(jìn)的DeepLabv3+算法的有效性。

方法

為了使網(wǎng)絡(luò)能夠更好地提取裂縫特征，在原有DeepLabv3+網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，由原來的獨(dú)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(shí)現(xiàn)更密集的像素采樣，提高算法的特征提取能力。改進(jìn)后的Dense-DeepLabv3+網(wǎng)絡(luò)結(jié)構(gòu)如圖所示。

參考DenseNet的網(wǎng)絡(luò)結(jié)構(gòu)，通過密集連接對(duì)DeepLabv3+網(wǎng)絡(luò)的ASPP模塊進(jìn)行改進(jìn)，如圖中黃色虛線框所示，在原有的3個(gè)空洞卷積并行的基礎(chǔ)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(luò)的輸出進(jìn)行級(jí)聯(lián)，然后一起送入空洞率較大的空洞卷積，以達(dá)到更好的特征提取效果。

密集連接的ASPP模塊可以在計(jì)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(jìn)后的模塊通過跳層連接實(shí)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(shí)也增加了網(wǎng)絡(luò)參數(shù)的數(shù)量，從而會(huì)影響網(wǎng)絡(luò)的運(yùn)行速度。為了解決這個(gè)問題，在密集連接后的每個(gè)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(luò)的參數(shù)數(shù)量，提高網(wǎng)絡(luò)的表達(dá)能力。

實(shí)驗(yàn)及結(jié)果分析

評(píng)價(jià)指標(biāo) 像素精度（PA）：計(jì)算正確分類的像素?cái)?shù)與所有像素?cái)?shù)的比率。 平均像素精度（MPA）：按類計(jì)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(bào)激活碼778899分享：語義分割論文閱讀筆記6

http://yzkb.51969.com/

相關(guān)文章