融合注意力机制与GhostUNet的路面裂缝检测方法

路面裂缝是道路最为常见的缺陷,随着深度学习技术的发展,利用深度学习的方法对路面图像中的裂缝信息提取的方法愈来愈多。针对现有深度学习路面裂缝检测方法提取裂缝特征不完整导致精度低以及实时性不足的问题,提出一种融合注意力机制与GhostUNet的路面裂缝检测方法。本方法由编码器和解码器组成,将U-Net中的常规卷积改进为Ghost卷积,减少模型参数量;在编码和解码部分,为了提高对裂缝特征的提取能力,引入ECA注意力机制和残差连接,ECA注意力模块可以过滤不相关的特征信息,利用残差连接可以避免网络退化现象。为评估本方法在裂缝检测方面的有效性,使用两个公开裂缝数据集,并进行消融实验和对比实验,实验结果F1＿score、P和R分别比U-Net平均提高了14.48%、14.35%和14.45%;该模型相比U-Net参数量下降了14.2 MB。该模型与同类模型比较,分割的准确率更高,参数量更少。