文獻標志碼:A
DOI: 10.16157/j.issn.0258-7998.234130
引用格式: 李亦湘,,蘇國韶,黃涌,,等. 基于SegFormer語義分割網(wǎng)絡的橋梁裂縫檢測模型[J]. 電子技術應用,,2023,49(11):94-99.
【引言】
裂縫是橋梁基礎設施安全運行的重要威脅,,是橋梁結構退化的最初跡象之一[1-2],表觀裂縫檢測是橋梁結構安全檢測的重要內(nèi)容[3-5],。傳統(tǒng)的橋梁裂縫人工檢測手段存在效率低,、實時性差與安全風險高等問題,亟待解決,。
近年來,,計算機視覺技術快速發(fā)展,其設備成本低,、檢測速度快,、適用范圍廣等優(yōu)勢日益突出,在裂縫檢測領域得到越來越廣泛的應用[6-8],。在這類技術中,,又以深度學習作為裂縫檢測領域的主流方法。例如,,Zhang等[9]訓練了一個深度卷積神經(jīng)網(wǎng)絡,,對智能手機收集的圖像中的圖像塊進行分類;Kang等[10]集成了3種獨立的計算機視覺算法,,其中基于Faster-RCNN[11]的裂縫檢測達到了95%的平均精度,;Liu等[12]首先采用U-Net[13]檢測混凝土裂縫,能夠以更少的訓練集達到更高的精度,。在實際工程應用中,基于深度學習的裂縫檢測的耗時是一個影響裂縫檢測工作效率的重要因素[14-15],。然而,,現(xiàn)有的大多數(shù)深度學習方法主要關注檢測準確性,而忽略實時性的問題,。這些方法存在模型參數(shù)龐大,、算法計算量大的不足,,需要足夠的硬件資源來支持,難以滿足實際應用場景中對裂縫檢測實時性的要求,,尤其是面對內(nèi)存小,、計算能力弱、通信帶寬低等情況,。
當前,,Transformer深度學習網(wǎng)絡架構已成為計算機視覺領域的熱點,它已經(jīng)在自然語言處理,、計算機視覺等領域展現(xiàn)了前所未有的實力[16-18],。然而,已有的基于計算機視覺的裂縫檢測多側重于卷積神經(jīng)網(wǎng)絡(CNN)架構,,基于Transformer架構的結構裂縫識別研究較為少見,。SegFormer是一種新近出現(xiàn)的將Transformer和輕量級的多層感知器(MLP)相結合的語義分割框架,在ADE20k[19],、Cityscapes[20]等數(shù)據(jù)集上取得了優(yōu)越結果[21],。本文提出一種基于SegFormer語義分割網(wǎng)絡的橋梁表觀裂縫實時檢測模型,為橋梁結構表觀裂縫的高效快速檢測提供一條新的有效途徑,。
文章詳細內(nèi)容下載請點擊:基于SegFormer語義分割網(wǎng)絡的橋梁裂縫檢測模型AET-電子技術應用-最豐富的電子設計資源平臺 (chinaaet.com)
【作者信息】
李亦湘1,,蘇國韶2,黃涌1,,劉玉柳1,,秦遠卓2
(1.廣西壯族自治區(qū)建筑工程質量檢測中心有限公司,廣西 南寧530005,;2.廣西大學 土木建筑工程學院,,廣西 南寧 530004)