通过多级联合的方式提高网络分割的准确性 裂缝分割的目的是将裂缝区域从路面背景分离,属于二分类问题。裂缝区域标签为1, 背景区域标签为0。模型采用 Sigmoid激活函数结合交叉熵损作为损失函数。设输入图像经过 深度卷积网络以及 Sigmoid激活函数得到预测值y,对于一张长为,宽为W的裂缝图像,网 络模型的交叉熵损失为: Lo=-∑∑lgy+(-y)og(1-y) 网络训练的过程将使用Loss函数对各层卷积的卷积核权重和偏置b进行导数计算 和更新权值。当Loss不在下降时,即得到网络的最优状态。 表1裂分制模型结构参数 模块 卷积层 卷积核大小 步长输出维度 /数量 conv 2d I 3×3/32 320×320×32 Input block conv 2d 2 3×3/32 320×320×32 3×3/64 2 160×160×64 Residual block 1 conv2d 4 卷积网络 Residual block2cnv2d53×3/282 特征提取 80×80×128 conv2d63×3/128 conv2d 7 3×3/256 40×40×256 Residual block 3 conv 3×3/256 121212 40×40×256 conv 3×3/512 Residual block 4 conv 2d 10 3×3/512 20×20×512 conv2d113×3/2561 40×40×256 Residual block 5 conv2d 12 3×3/25 40×40×256 onv2d133×3/128 80×80×128 Residual block 6 conv 2d 14 3×3/128 l-111 80×80×128 上采样 con 3×3/64 160×160×64 分割网络 Residual block7 conv 2d 16 3×3/64 160×160×64 conv 2d 17 3×3/321 320×320×32 Residual block 8 conv 2d 18 3×3/32 320×320×32 Output block conv2d 19 320×320×1 四、实验数据与预处理 通过人工采集方式,本文共采用裂缝图像1200张。裂缝图像包含了横向、纵向、网状等 多种类型裂缝。采用 labelme标注工具标注裂缝区域,产生二值化裂缝图像作为网络训练的 标签(图7)。为避免网络训练过拟合和验证网络分割效果,本文采用6:2:2的比例划分训练 集、验证集和测试集。累计训练集图像720张,验证集图像240张,测试集图像240张。 裂缝采集的不同视角、裂缝的不同长度和宽度以及光照条件、背景复杂的问题,给裂缝 的分割带来很大的挑战。数据的增广可以丰富训练集,从而提高神经网络的泛化能力和鲁棒通过多级联合的方式提高网络分割的准确性。 裂缝分割的目的是将裂缝区域从路面背景分离，属于二分类问题。裂缝区域标签为1， 背景区域标签为0。模型采用Sigmoi激活函数结合交叉熵损作为损失函数。设输入图像经过 深度卷积网络以及Sigmoid激活函数得到预测值 * y ，对于一张长为L，宽为W的裂缝图像，网 络模型的交叉熵损失为： * * 1 1 [ log (1 )log(1 ) W L ij ij ij ij i j Loss y y y y = = = −∑∑ +− − 网络训练的过程将使用 Loss 函数对各层卷积的卷积核权重 w 和偏置b 进行导数计算 和更新权值。当 Loss 不在下降时，即得到网络的最优状态。 表1 裂缝分割模型结构参数 模块 卷积层 卷积核大小 /数量 步长 输出维度 特征提取 卷积网络 Input_block conv2d_1 3×3/32 1 320×320×32 conv2d_2 3×3/32 1 320×320×32 Residual_block_1 conv2d_3 3×3/64 2 160×160×64 conv2d_4 3×3/64 1 160×160×64 Residual_block_2 conv2d_5 3×3/128 2 80×80×128 conv2d_6 3×3/128 1 80×80×128 Residual_block_3 conv2d_7 3×3/256 2 40×40×256 conv2d_8 3×3/256 1 40×40×256 Residual_block_4 conv2d_9 3×3/512 2 20×20×512 conv2d_10 3×3/512 1 20×20×512 上采样 分割网络 Residual_block_5 conv2d_11 3×3/256 1 40×40×256 conv2d_12 3×3/256 1 40×40×256 Residual_block_6 conv2d_13 3×3/128 1 80×80×128 conv2d_14 3×3/128 1 80×80×128 Residual_block_7 conv2d_15 3×3/64 1 160×160×64 conv2d_16 3×3/64 1 160×160×64 Residual_block_8 conv2d_17 3×3/32 1 320×320×32 conv2d_18 3×3/32 1 320×320×32 Output_block conv2d_19 1×1 1 320×320×1 四、实验数据与预处理 通过人工采集方式，本文共采用裂缝图像1200张。裂缝图像包含了横向、纵向、网状等 多种类型裂缝。采用labelme标注工具标注裂缝区域，产生二值化裂缝图像作为网络训练的 标签（图7）。为避免网络训练过拟合和验证网络分割效果，本文采用6:2:2的比例划分训练 集、验证集和测试集。累计训练集图像720张，验证集图像240张，测试集图像240张。 裂缝采集的不同视角、裂缝的不同长度和宽度以及光照条件、背景复杂的问题，给裂缝 的分割带来很大的挑战。数据的增广可以丰富训练集，从而提高神经网络的泛化能力和鲁棒