清华大学学报(自然科学版)

作者：陈波, 张华, 陈永灿, 李永龙, 熊劲松

单位：1. 西南科技大学 信息工程学院, 绵阳 621000;<br>2. 西南科技大学 西南科大四川天府新区创新研究院, 成都 621010;<br>3. 清华大学 水沙科学与水利水电工程国家重点实验室, 北京 100084;<br>4. 西南石油大学 土木工程与测绘学院, 成都 610500;<br>5. 清华大学 电子工程系, 北京 100084;<br>6. 清华四川能源互联网研究院, 成都 610213;<br>7. 重庆红岩建设机械制造有限责任公司, 重庆 400712

关键词：水工裂缝,卷积神经网络,统计学分析,语义分割

基金：国家自然科学基金资助项目(U21A20157);四川省科技计划项目(2022YFSY0011,2022YFQ0080,2023YFS0410)

基于计算机视觉的混凝土裂缝自动检测方法逐渐成为大坝、廊道和引水隧洞等水工结构场景检测任务的主流选择。然而,目前大多数方法在裂缝特征提取过程中均存在不同程度的损耗,缺乏针对性的补偿措施,导致最终检测效果不佳。该文提出了一种基于特征增强的水工结构裂缝语义分割方法,主要用于解决混凝土水工结构裂缝高精度语义分割问题。该方法通过对裂缝数据进行统计学分析,获取裂缝像素与非裂缝像素关系及其对应分布情况;采用ResNet-152特征提取网络提取裂缝图像抽象语义信息,并根据统计分析结果对高维特征进行区域聚集,构建自注意力模块,增强模型对裂缝的定位性能;结合裂缝信息分布情况,对网络损失函数进行优化,增加裂缝特征对总体损失值的贡献率,提升模型对裂缝的识别精度。该文采用智能化设备获取大坝和廊道2种水工结构场景的图像数据,图像数据经图像预处理和标注整理后获得的裂缝图像和标签共3 000张;将由训练获得的分割模型在测试集上进行测试,裂缝像素准确率、召回率、交并比和总像素准确率分别达92.48%、86.52%、80.82%和99.79%。该文提出的分割方法在水工结构裂缝检测方面具有一定应用研究价值和推广意义。

来源：2023年第7期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2023年第7期