《表1 参数详情:基于深度学习的较复杂背景下桥梁裂缝检测》
本文提出的UH-Net网络模型总体框架图如图1所示,该框架由收缩路径和扩展路径(如U-net)组成。在U-net的基础上,提出的模型使用特征提取块(Feature extraction block)代替普通的卷积层,并减少了下采样操作的数量。提出的框架的3个主要组成部分是特征提取块,向下过渡层和向上过渡层。鉴于裂缝的边缘和线段特征在复杂背景的情况下,所以每个特征提取块采用Haar-like提取算法,其中Haar-like算法自身特征模板只有黑色和白色2种矩形,和裂缝实际采集的图片特征相符合。利用Haar-like的线性特征和边缘特征这两属性对输入图像进行图像特征提取,网络中有2个向下过渡层和2个向上过渡层,最后一层的输出大小与输入图像相同。在上采样路径中,每个块输出的特征不仅会传输到下一层,而且还会保留用于对称下采样过程中的特征融合,从而获得更好的预测结果和特征提取效果,其中各层参数如表1所示。
图表编号 | XD00183490400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 杨杰文、章光、陈西江、班亚 |
绘制单位 | 武汉理工大学安全与应急管理学院、武汉理工大学安全与应急管理学院、武汉理工大学安全与应急管理学院、重庆市计量质量检测研究院 |
更多格式 | 高清、无水印(增值服务) |