基于U-Net的道路裂缝图像分割方法研究 (1).pdf

硕士研究生学位论文摘要

摘要

裂缝是道路表面最常见的一种缺陷，是路面损坏的典型标志之一。路面质量对行

车安全性以及公路的使用寿命有着重要的影响。为了避免安全隐患和降低维修成本，

准确、高效地定位道路表面裂缝的位置具有重大意义。早期的裂缝检测采用人工目视

检测法，该方法主要依赖于检测者的经验和主观判断、没有统一的评判标准且容易导

致检测者视觉疲劳。随后出现的超声、射线、电磁等传统无损检测方法一定程度地提

高了检测精度，但操作过程复杂、对检测环境和器材要求苛刻，难以实现广泛应用。

数字图像处理技术解决了上述的部分问题，但在复杂背景下却难以准确捕获裂缝的位

置信息。因此，本文采用了基于深度学习的方法对道路表面裂缝进行准确分割，主要

研究内容和创新点包括：

（1）针对单一材质道路表面裂缝分割模型存在鲁棒性弱的问题，研究了一种基于

深度神经网络的双层编解码网络（DoubleU-Net）模型。该模型包含上下两个分支（分

支1，分支2）。分支1将改进的Inception模块（Enhance-Inception，E-Inception）和挤

压激励网络（Squeeze-and-ExcitationNetworks，SENet）引入基线U-Net的编解码器

中，以获取丰富的上下文信息。分支2保留了U-Net网络结构，并通过采用特征融合

1

技术，将其解码器与分支的解码器紧密集成，从而有效弥补了单层网络在语义信息

上的缺失，提升了整体网络对复杂信息的处理能力。该模型利用两分支的协调能力，

成功实现了对不同材质道路表面裂缝的有效分割。此外，还使用加权交叉熵损失函数

克服了类不平衡问题。

（2）针对雾霾天气条件下的道路裂缝图像分割工作中出现的裂缝分割不完整、边

缘模糊等问题，研究了一种基于深度语义信息融合和边缘信息引导的增强型U型网络

（EnhancedU-shapedNetwork，EU-Net）。该网络模型由多模态特征融合模块

MultimodalFeatureFusionModuleMFFMSideFusionModule

（，）、侧边融合模块（，

SFMEdgeExtractionModuleEEMMFFM

）和边缘提取模块（，）组成。其中，采用多

分支卷积结构以捕捉和融合多模态图像的重要特征。SFM通过级联解码器侧边的预测

输出来弥补下采样操作时丢失的上下文信息。EEM利用Canny算子提取的边缘特征引

导模型解码器的输出，保留大量的裂缝边缘特征。此外，使用DiceLoss来限制边缘损

失，以提高裂缝分割精度。

为了验证提出的DoubleU-Net网络和EU-Net网络的有效性和合理性，在公开数据

集上对其客观指标和消融结果进行评估和讨论。实验结果表明，提出的DoubleU-Net

网络和EU-Net网络具有较好的裂缝分割性能。

I

摘要硕士研究生学位论文

关键词：深度学习；路面裂缝；语义分割；U-Net网络；多模态特征融合；Canny算子

硕士研究生学位论文Abstract

Abstract

Cracksareprevalentdefectsonroadsurfacesandtelltalei