PDF全文阅读

杨   智 , 杨   鹏 , 覃   森 ,  朱邦盛

 

( 宜昌三峡送变电工程有限责任公司 , 宜昌   443000)

摘  要 :  为了对混凝土表面裂缝进行自动分割 , 通过搜集试验数据及公开数据集 , 采用数据增强建立了混凝土表面裂缝数据集 ,  提出了 2 种基于 U- Net 的全监督裂缝分割模型 :  DA- CrackNet 和 TransUNet 。前者在U-Net 的基础上加入软注意力机制和空间与通道结合的卷积块注意力机制 ;  后者由 Transformer 与 U-Net 结合而成 。利用上述数据集进行训练和测试 , 对比不同改进 U-Net 模型的裂缝分割性能 。结果表明 :  与 U-Net 相比 , DA-CrackNet 准确率 、召回率 、mIoU 及 F1 分数分别提高了 1. 41% 、1. 35% 、2. 07% 及 1. 53% ;  与 TransUNet 相比 , DA-CrackNet 各性能指标差别不到 1% ,  但训练时间降为 50% 。 因此 ,  综合考虑计算精度和计算效率 , DA-CrackNet 性能最优 。研究成果可为相关工程提供参考。

关键词 : 混凝土表面裂缝分割 ; 全监督 ; 注意力机制 ; 数据增强 ; U-Net

中图分类号 : TP391. 41           文献标志码 : A           文章编号 :  1005- 8249  (2026)  03-0162-07

DOI :10. 19860/j. cnki. issn1005- 8249. 2026. 03. 027

 

YANG Zhi ,  YANG Peng ,  QIN Sen ,  ZHU Bangsheng

( Yichang Three Gorges Power Transmission &Transformation Engineering Co. ,  Ltd. , Yichang 443000 ,  China)

Abstract :  In order  to  automatically  segment  concrete  surface  cracks ,  this  paper  first  collected  experimental  data  and  public datasets to establish concrete surface crack dataset through data augmentation.  Then , two fully - supervised crack segmentation models based on U-Net were proposed , namely , DA-CrackNet and TransUNet.  The former adds a soft attention mechanism and a convolutional block attention mechanism combining spatial and channel information to the U-Net structure , while the latter is established by combining Transformer with U-Net.  Based on the above dataset , the two proposed improved U-Net models were trained and tested to compare their crack segmentation performance.  The results show that , compared to U-Net , DA-CrackNet' s accuracy , recall , mIoU and F1 score increase by 1. 41% , 1. 35% , 2. 07% and 1. 53% respectively.  Moreover , the difference of each performance metric between DA-CrackNet and TransUNet is less than 1% , while the training time of DA-CrackNet is reduced to 50%  compared  to  TransUNet.   Therefore ,  DA- CrackNet  has  the  best  performance  considering  both  computational accuracy and efficiency.   The findings offer valuable insights for similar engineering applications.

Key words :  concrete surface crack segmentation; fully-supervised; attention mechanism; data augmentation; U-Net