《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》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的较复杂背景下桥梁裂缝检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。