道路裂缝的轻量级快速分割研究.pdf

道路裂缝的轻量级快速分割研究

摘要

近年来我国公路修建里程大幅上涨，截至22年年末，全国公路里程535.48万公里。

道路裂缝是道路养护中的主要病害。对裂缝进行准确快速的检测，有助于实现道路的智

能养护，符合“十四五”所提智能化道路养护要求。基于深度学习的图像分割是当前语

义分割最为流行的方法之一，被广泛应用于各种场景。由于深度学习技术在图像处理上

的优势，本文将基于深度学习技术进行道路裂缝分割，并针对在道路裂缝分割领域存在

的速度慢、精度低、泛化能力差和部署困难等问题进行研究。本文主要工作如下：

首先，针对模型泛化能力差，应用场景单一问题，构建多场景、多尺度的裂缝分割

训练数据集。对于有监督学习，模型的泛化能力和精度都高度依赖于丰富有效的样本数

据。因此，通过收集多个数据集以及自制数据集增加样本场景，并采用多种数据增广方

法，对数据集进行扩充。同时，针对人工标注成本高、效率低的问题，借助EasyDL平

台使用一种半自动化裂缝标注流程，提升标注效率。此外，由于裂缝图像采集环境不一，

常带有多种干扰噪声，为此对样本数据进行预处理，提高图像质量。

其次，针对裂缝图像中裂缝形状粗细不一，呈无规律的扩散状，裂缝图像前景与背

景像素比例悬殊等特点，本文提出了改进OCRNet算法以进行裂缝分割，从模型准确度、

大小和速度等方面进行了优化：利用HRNet作为特征骨干网络，并融合SCConv卷积模

块，限制特征冗余，降低模型参数和模型复杂度，增强特征表示能力；采用SA空间注

意力模块结合对象上下文表示，增强空间特征与像素区域的交互，提高分割精度和计算

速度；采用交叉熵损失函数和FocalLoss损失函数的混合损失函数，解决了裂缝像素占

比小、损失对模型的优化效果差的问题，提高了模型的分割精度。

然后，针对模型部署困难、部署资源要求高等问题，对模型进行压缩加速。使用基

于CWD算法的知识蒸馏法，通过将通道激活转换为概率分布，从而使用概率距离度量

来测量二者差异，提高通道信息的利用效率；在损失函数中利用概率分布控制裂缝区域

与背景在损失中的占比，加大模型对裂缝的关注度，提高了模型对裂缝特征的学习效率。

最后，为了实现模型部署和应用体验，使用TensorRT对模型进行模型转换和优化

加速，降低模型对硬件资源的需求，再将转换后的文件部署到TX2平台，并利用图像界

面相关技术设计道路裂缝分割系统，将分割操作进行封装处理，实现完整的应用流程，

满足实际应用中的便携性和检测的精度、实时性需求。

关键词：道路裂缝分割；模型部署；模型压缩；模型轻量化

道路裂缝的轻量级快速分割研究

ABSTRACT

Inrecentyears,theconstructionmileageofhighwaysinChinahasbeensignificantly

increased,andasoftheendof2022,thetotallengthofhighwaysinChinawas5.3548million

kilometers.Roadcracksarethemaindiseaseinroadmaintenance.Accurateandrapiddetection

ofcrackshelpstoachieveintelligentroadmaintenance,whichmeetstherequirementsof

intelligentroadmaintenanceproposedinthe14thFiveYearPlan.Deeplearningbasedimage

segmentationisoneofthemostpopularsemanticsegmentationmethodscurrently,widelyused

invariousscenarios.Duetotheadvantagesofdeeplearningtechnologyini