清华大学学报(自然科学版)

作者：周迅, 李永龙, 周颖玥, 王皓冉, 李佳阳, 赵家琦

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 特殊环境机器人技术四川省重点实验室, 绵阳 621000;<br>3. 清华四川能源互联网研究院, 成都 610213

关键词：坝面裂缝,注意力机制,损失函数,DeepLabV3+网络

基金：国家自然科学基金项目(U21A20157,52009064);四川省科技计划资助项目(2022YFSY0011,2022YFQ0080,2023YFS0410)

基于图像分析的水电站坝面缺陷判别是一种高效、精准的方法,然而大坝裂缝图像存在背景复杂以及裂缝和背景像素比例不均衡等问题,导致传统算法的检测效果差。该文提出一种基于改进的DeepLabV3+网络模型的坝面裂缝检测方法。该方法利用三线注意力模块(three line attention module,TLAM)提高模型对裂缝像素的提取能力;采用空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块进行级联优化,实现更密集的像素采样,获取更丰富的裂缝特征;将MobileNetV2作为特征提取主干网络,可实现网络轻量化并减少模型参数;将焦点损失(focal loss,FL)和Dice损失(Dice loss,DL)作为模型的损失函数,可克服数据不平衡的困难。对西南某水电站的坝面裂缝数据集进行模型有效性和对比实验,结果表明：该方法中用来评价模型精度的F1,score、平均交并比(mean intersection over union,MIoU)和平均像素精度(mean pixel accuracy,MPA)的值分别达到73.98%、66.73%和73.81%,比改进前的DeepLabV3+网络检测效果分别提高了3.33%、2.89%和1.12%,该方法可为坝面维护以及未来风险评估提供技术支撑。

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