基于SegFormer语义分割网络的桥梁裂缝检测模型-AET-电子技术应用

基于SegFormer语义分割网络的桥梁裂缝检测模型

电子技术应用 11期

李亦湘1，苏国韶2，黄涌1，刘玉柳1，秦远卓2

（1.广西壮族自治区建筑工程质量检测中心有限公司，广西南宁530005；2.广西大学土木建筑工程学院，广西南宁 530004）

摘要：表观裂缝检测是桥梁结构安全检测的重要内容，针对桥梁裂缝人工检测手段效率低以及基于一般的卷积神经网络（CNN）深度学习架构的裂缝检测模型耗时较大的问题，基于计算机视觉领域表现优异的深度学习架构Transformer，提出一种基于SegFormer语义分割网络的桥梁裂缝实时检测模型。研究表明，该模型是可行的，与基于CNN架构的LR-ASPP和BiSeNet V2等常用轻量级深度学习模型相比，裂缝检测的准确性、实时性与鲁棒性明显较优，将此模型结合无人机航拍应用于实际桥梁裂缝检测，取得了良好成效。

关键词： 桥梁工程裂缝检测语义分割深度学习

中图分类号：TP391.41；U447
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.234130
引用格式：李亦湘，苏国韶，黄涌，等. 基于SegFormer语义分割网络的桥梁裂缝检测模型[J]. 电子技术应用，2023，49(11)：94-99.

Bridge crack detection model using SegFormer semantic segmentation network

Li Yixiang1，Su Guoshao2，Huang Yong1，Liu Yuliu1，Qin Yuanzhuo2

(1.Guangxi Construction Testing Center Co.， Ltd.， Nanning 530005， China；2.College of Civil Engineering and Architecture， Guangxi University， Nanning 530004， China)

Abstract：The detection of surface cracks is a crucial aspect of bridge safety inspection. To address the issue of low efficiency of manual crack detection methods for bridges, and the time-consuming nature of conventional convolutional neural network (CNN)-based crack detection models, a real-time bridge crack detection model based on SegFormer semantic segmentation network is proposed. This model leverages the Transformer architecture, which has demonstrated excellent performance in computer vision. The study demonstrates the feasibility of the proposed model, which exhibits superior accuracy, real-time performance, and robustness in crack detection compared to commonly used lightweight CNN-based deep learning models such as LR-ASPP and BiSeNet V2. The proposed model, when combined with UAV aerial photography, has been applied to actual bridge crack detection, resulting in commendable outcomes.

Key words :bridge engineering；crack detection；semantic segmentation；deep learning

【引言】

裂缝是桥梁基础设施安全运行的重要威胁，是桥梁结构退化的最初迹象之一[1-2]，表观裂缝检测是桥梁结构安全检测的重要内容[3-5]。传统的桥梁裂缝人工检测手段存在效率低、实时性差与安全风险高等问题，亟待解决。

近年来，计算机视觉技术快速发展，其设备成本低、检测速度快、适用范围广等优势日益突出，在裂缝检测领域得到越来越广泛的应用[6-8]。在这类技术中，又以深度学习作为裂缝检测领域的主流方法。例如，Zhang等[9]训练了一个深度卷积神经网络，对智能手机收集的图像中的图像块进行分类；Kang等[10]集成了3种独立的计算机视觉算法，其中基于Faster-RCNN[11]的裂缝检测达到了95%的平均精度；Liu等[12]首先采用U-Net[13]检测混凝土裂缝，能够以更少的训练集达到更高的精度。在实际工程应用中，基于深度学习的裂缝检测的耗时是一个影响裂缝检测工作效率的重要因素[14-15]。然而，现有的大多数深度学习方法主要关注检测准确性，而忽略实时性的问题。这些方法存在模型参数庞大、算法计算量大的不足，需要足够的硬件资源来支持，难以满足实际应用场景中对裂缝检测实时性的要求，尤其是面对内存小、计算能力弱、通信带宽低等情况。

当前，Transformer深度学习网络架构已成为计算机视觉领域的热点，它已经在自然语言处理、计算机视觉等领域展现了前所未有的实力[16-18]。然而，已有的基于计算机视觉的裂缝检测多侧重于卷积神经网络（CNN）架构，基于Transformer架构的结构裂缝识别研究较为少见。SegFormer是一种新近出现的将Transformer和轻量级的多层感知器（MLP）相结合的语义分割框架，在ADE20k[19]、Cityscapes[20]等数据集上取得了优越结果[21]。本文提出一种基于SegFormer语义分割网络的桥梁表观裂缝实时检测模型，为桥梁结构表观裂缝的高效快速检测提供一条新的有效途径。

文章详细内容下载请点击：基于SegFormer语义分割网络的桥梁裂缝检测模型AET-电子技术应用-最丰富的电子设计资源平台 (chinaaet.com)

【作者信息】

李亦湘1，苏国韶2，黄涌1，刘玉柳1，秦远卓2

（1.广西壮族自治区建筑工程质量检测中心有限公司，广西南宁530005；2.广西大学土木建筑工程学院，广西南宁 530004）

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容