Page 38 - 无损检测2023年第一期

仝泽兴, 等:

路面裂缝检测融合分割方法

才能获得, 因此需要在池化金字塔层的前端添加空 积核大小为3×3 , 空洞率分别为[ 1 , 2 , 3 ] 的方案来
洞卷积层来扩大感受野。图像分割模块工作框图如 避免堆叠空洞卷积带来的信息缺失, 并在每次空洞
图4所示, 为避免多次堆叠空洞卷积造成的局部信 卷积后添加级联结构提取不同尺度的语义信息, 最

息丢失问题, 采用 HDC ( 混合空洞卷积) 策略来 后将 YOLOV5特征提取网络提取到的1 / 8特征图
[ 11 ]
避免空洞卷积所带来的信息缺失, 即通过堆叠不同 ( 经过降维) 与级联结构提取到的特征图在维度上拼
空洞率的混合空洞卷积来避免信息缺失, 从而达到 接以实现多尺度语义信息的融合。
感受野覆盖全图的目的。空洞率的选择策略如式 2.2.2 通道注意力机制
( 4 ) 所示。 通过级联混合空洞卷积的特征图经过池化金字
, ), ] 塔层得到了不同区域的上下文信息, 融合与筛选这
M i=max [ M i + 1-2r i M i + 1-2 ( M i + 1- r i r i
( 4 ) 些特征可以去除冗余信息, 使特征的针对性更强, 进
为第 i层的空洞 而提高图像分割的精度。采用通道注意力机制来融
式中: M i 为第 i层最大的空洞率; r i
合与筛选这些特征, 其主要思想是通过对特征图的
。
率, 若共有n 层, 则 M n = r n
卷积核的大小为k× k , 当 M 2 <k 时, HDC策 处理得到其不同通道的权重占比, 从而得到通道的
略可以避免空洞卷积带来的信息缺失, 文章选择卷 权重矩阵, 再将得到的权重矩阵与原特征图相乘得
到加权后的特征图, 增强了重要的特征, 削弱不重要
的特征。如图4 ( 图中 Add为相加操作; Mul 为相乘
操作; Contact 为拼接操作; Si g moid为激活函数) 右
侧工作框图所示, 首先将池化金字塔层输出的特征
图分为两个分支, 附分支上采用全局平均池化对池
化金字塔层输出的不同尺度的特征图进行压缩, 从
而得到通道数与原特征图相同, 大小为1×1的特征
图; 紧接着通过两个全连接层学习通道注意力, 第一
个全连接层后采用 Relu激活函数, 第二个全连接层
后使用 Si g moid函数将输出压缩至0~1之间, 以获
得通道的权重矩阵; 然后将学习得到的通道权重矩
阵通过矩阵乘法与原特征图相乘, 得到加权后的特
征图, 再与主分支的特征图相加实现特征的融合与
筛选; 最后将融合与筛选过的特征图通过一个1×1
的卷积降维, 然后通过上采样还原图像真实尺寸并
输出分割后的裂缝图像。
2.3 PSP-YOLO 检测分割算法
PSP-YOLO 检测分割算法网络结构如图 5 所

示, 其在原 YOLOV5的基础上嵌入了上文介绍的
图像分割模块, 即将分割模块嵌入至检测输出层的
前端, 通过先行的图像分割细化特征, 减少冗余背景
图4 图像分割模块工作框图
对检测精度的影响从而提升检测精度。

图5 PSP-YOLO 检测分割算法网络结构

4
2023年 第45卷 第1期
无损检测