改进的全局卷积网络在路面裂缝检测中的应用 
下载： 1384次
Improved Global Convolutional Network for Pavement Crack Detection
1 长安大学电子与控制工程学院, 陕西 西安 710064
2 陕西省铁路集团有限公司科技质量部, 陕西 西安 710199
3 西安市西蓝天然气集团公司纪检监察委员会, 陕西 西安 710075
图 & 表
图 1. 不同网络模型。(a)分类模型;(b)分割模型
Fig. 1. Different network models. (a) Classification model; (b) segmentation model
下载图片 查看原文
图 2. ResNet-GCN模型的整体结构图。(a)整个框架的结构;(b) GCN结构;(c) 边界细化模块
Fig. 2. Overall structure of the ResNet-GCN model. (a) Structure of the entire framework; (b) GCN structure; (c) boundary refinement module
下载图片 查看原文
图 3. 包含不同裂缝类型的数据集。(a)裂缝;(b)含水渍的裂缝;(c)含修补密封的裂缝;(d)含车道线的裂缝;(e)拼接缝;(f)含杂物的裂缝
Fig. 3. Dataset containing different crack types. (a) Crack; (b) watery crack; (c) crack with repair seal; (d) crack with lane line; (e) stitching seam; (f) crack containing debris
下载图片 查看原文
图 4. 实验裂缝数据的标注。(a) (b) (c)原始裂缝图像;(d) (e) (f)手工标记的裂缝
Fig. 4. Labeling of experimental crack data. (a) (b) (c) Original crack images; (d) (e) (f) manually marked cracks
下载图片 查看原文
图 5. GCN与普通卷积核的比较
Fig. 5. Comparision of GCN and ordinary convolution kernel
下载图片 查看原文
图 6. MobileNetv2-GCN模型的测试准确率
Fig. 6. Test accuracy of MobileNetv2-GCN model
下载图片 查看原文
图 7. MobileNetv2-GCN模型测试的mIoU
Fig. 7. Test mIoU of MobileNetv2-GCN model
下载图片 查看原文
图 8. MobileNetv2-GCN模型裂缝分割效果。(a)原图;(b)标签;(c)预测结果
Fig. 8. Crack segmentation effect of MobileNetv2-GCN model. (a) Original images; (b) label images; (c) prediction results
下载图片 查看原文
图 9. 裂缝骨架提取。(a)(b)(c)分割后的二值图像;(d)(e)(f)提取的裂缝骨架图像
Fig. 9. Crack skeleton extraction. (a)(b)(c) Binary images after segmentation; (d)(e)(f) extracted crack skeleton images
下载图片 查看原文
图 10. 真实与预测的裂缝平均宽度像素对比
Fig. 10. Comparison of real and predicted average crack width pixel
下载图片 查看原文
表 1裂缝数据集详情
Table1. Crack dataset details
| Data | Training | Verification | Test |
|---|
| Image size /(pixel×pixel) | 512× 512 | 512×512 | 512×512 | | Number of images | 2160 | 720 | 720 |
|
查看原文
表 2不同卷积核大小的GCN实验结果对比
Table2. Comparison of GCN results with different convolution kernel sizes
| k | Base | 3 | 5 | 7 | 9 | 11 | 13 | 15 |
|---|
| mIoU /% | 70.5 | 71.1 | 71.9 | 72.6 | 73.3 | 74.1 | 75.2 | 76.6 |
|
查看原文
表 3GCN和等效的小内核堆叠卷积对比
Table3. Comparison of GCN and equivalent small kernel stack convolution
| k | 3 | 5 | 7 | 9 | 11 |
|---|
| mIoU /% | GCN | 71.1 | 71.9 | 72.6 | 73.3 | 74.1 | | Stack | 69.8 | 70.9 | 69.5 | 68.2 | 67.5 |
|
查看原文
表 4减少堆叠卷积层数的实验结果对比
Table4. Comparison of experimental results to reduce the number of stacked convolution layers
| Number oflayers | Stack | GCN |
|---|
| 2048 | 1024 | 210 | 2048 |
|---|
| mIoU/% | 71.1 | 70.5 | 68.6 | 72.8 | | Parameteramount /k | 75885 | 28505 | 4307 | 608 |
|
查看原文
表 5添加边界细化块的实验结果对比
Table5. Comparison of experimental results after adding boundary refinement blocks
| Model | Boundaryaccuracy /% | Centeraccuracy /% | Overallaccuracy /% |
|---|
| Baseline | 71.3 | 90.1 | 70.3 | | GCN | 71.5 | 91.1 | 85.6 | | GCN+BR | 72.6 | 92.3 | 86.7 |
|
查看原文
表 6不同预训练融合模型的实验结果对比
Table6. Comparison of experimental results of different pre-training fusion models
| Model | mIoU /% | Accuracy /% | Model size /MB |
|---|
| ResNet- GCN | 76.6 | 86.7 | 671.0 | | ResNet50-GCN | 82.6 | 90.2 | 274.0 | | ResNet101-GCN | 83.6 | 93.4 | 492.0 | | MobileNetv2-GCN | 84.6 | 98.5 | 15.5 |
|
查看原文
表 7不同数据集上MobileNetv2-GCN的实验结果
Table7. Experimental results of MobileNetv2-GCN on different datasets
| Dataset | Crack500 | GAPs384 | Cracktree200 | Proposed |
|---|
| mIoU /% | 85.8 | 82.3 | 80.5 | 85.3 | | Accuracy /% | 95.5 | 92.4 | 89.6 | 98.5 |
|
查看原文
表 8MobileNetv2-GCN与其他裂缝分割模型实验对比结果
Table8. Comparison of MobileNetv2-GCN and other crack segmentation models
| Model | SegNet | DeepLab | CNN | FCN | MobileNetv2-GCN |
|---|
| mIoU /% | 67.8 | 69.2 | 72.3 | 80.5 | 85.3 | | Accuracy /% | 74.5 | 80.3 | 81.9 | 89.6 | 98.5 |
|
查看原文
李刚, 高振阳, 张新春, 赵怀鑫, 刘卓. 改进的全局卷积网络在路面裂缝检测中的应用[J]. 激光与光电子学进展, 2020, 57(8): 081011. Gang Li, Zhenyang Gao, Xinchun Zhang, Huaixin Zhao, Zhuo Liu. Improved Global Convolutional Network for Pavement Crack Detection[J]. Laser & Optoelectronics Progress, 2020, 57(8): 081011.
PDF全文
