提取裂缝的特征,产生大量裂缝特征图。上采样的过程是对特征提取网络的特征图进行解码 扩大的过程。通过联合不同尺寸特征图进行连续的上采样学习训练,可以得到仅含目标区域 的二值化图像,实现裂缝的分割 (二)残差单元结构 深度卷积网络通常采用更多的卷积层,以便于获得更加丰富的目标特征。随着网络结构 的加深,网络出现梯度消失和网络退化等问题。本文将 Resnet的残差结构引入分割模型 残差单元的结构如图6所示。 BatchNormalization Activation Conv2D(stride) Conv2D BatchNormalization Batch Normalization Activat Convo Add 图6残差结构单元( Residual block) 设残差单元输入为x,输出为y,残差单元的过程为 f(,w))+Wx 原始的恒等映射需要多个非线性层来拟合,但在实际实现过程中很难实现。在裂缝分割 的模型的特征提取网络和上采样过程中,分别使用了4个残差单元。通过引入残差结构,使 卷积网络更加快速的学习恒等映射能力,更易发现扰动因素,从而较好的解决卷积网络加深 对裂缝分割的影响。在残差结构中,采用步长( stride)为(2,2)的卷积代替池化过程,用于 减小特征图的尺寸和优化速度。模型的参数和特征图的尺寸如表1 (三)激活函数与损失函数 网络模型中间激活层采用Relu激活函数,同时对输入数据样本进行了多次正则化 ( BatchNormalization,BN)。BN是每层卷积网络的输出值调整为相同分布,以避免网络加深 导致特征向量的分布发生偏移或者变动。分割网络采用 Upasmple方式进行上采样,即对特征 图进行卷积逆运算,得到新的大尺寸的特征图,并将其与卷积层对应尺寸的特征图相加作为 上采样结果。分割网络对特征提取网络20×20、40×40、80×80、160×160的特征图进行上 采样,上采样的过程联合了特征提取网络40×40、80×80、160×160、320×320的特征图提取裂缝的特征，产生大量裂缝特征图。上采样的过程是对特征提取网络的特征图进行解码 扩大的过程。通过联合不同尺寸特征图进行连续的上采样学习训练，可以得到仅含目标区域 的二值化图像，实现裂缝的分割。 （二）残差单元结构 深度卷积网络通常采用更多的卷积层，以便于获得更加丰富的目标特征。随着网络结构 的加深，网络出现梯度消失和网络退化等问题。本文将Resnet的残差结构[14]引入分割模型， 残差单元的结构如图6所示。 图6 残差结构单元(Residual_block) 设残差单元输入为 x ，输出为 y ，残差单元的过程为 ( ,{ }) i s y f x W Wx = + 原始的恒等映射需要多个非线性层来拟合，但在实际实现过程中很难实现。在裂缝分割 的模型的特征提取网络和上采样过程中，分别使用了4个残差单元。通过引入残差结构，使 卷积网络更加快速的学习恒等映射能力，更易发现扰动因素，从而较好的解决卷积网络加深 对裂缝分割的影响。在残差结构中，采用步长(stride)为(2,2)的卷积代替池化过程，用于 减小特征图的尺寸和优化速度。模型的参数和特征图的尺寸如表1。 （三）激活函数与损失函数 网络模型中间激活层采用Relu激活函数，同时对输入数据样本进行了多次正则化 (BatchNormalization,BN)。BN是每层卷积网络的输出值调整为相同分布，以避免网络加深 导致特征向量的分布发生偏移或者变动。分割网络采用Upasmple方式进行上采样，即对特征 图进行卷积逆运算,得到新的大尺寸的特征图，并将其与卷积层对应尺寸的特征图相加作为 上采样结果。分割网络对特征提取网络20×20、40×40、80×80、160×160的特征图进行上 采样，上采样的过程联合了特征提取网络40×40、80×80、160×160、320×320的特征图