典型文献
ERCUnet:一种基于U-Net改进的道路裂缝检测模型
文献摘要：
针对传统的道路裂缝检测方法存在灵活度不高、普适性不强等问题,本文参考ResNet中的残差设计和U-Net模型的U形编码解码结构,设计一种基于U-Net改进的道路裂缝检测模型——ERCUnet.该模型以残差块为主体,针对裂缝检测优化不同深度卷积层的卷积核数量,模型中所有的残差块结构相同,模型整体结构更加整齐和简单,具有可塑性好、结构性强,残差结构不仅使特征融合更加充分,也避免了深层卷积神经网络梯度消失的问题.实验在CrackForest数据集上进行,将CrackForest的118张含标注图片按照5:1的比例划分训练集和测试集,通过一系列数据增广方法,有效缓解了训练数据过少的问题.损失函数融合了交叉熵和F1分数,缓解了正负样本不均衡的问题,最终的实验结果显示ERCU-net模型参数量仅为U-Net(BN)模型的13.30％,在测试集上的查全率、查准率、F1值均达70％以上,噪声率、准确率分别为29.05％、99.01％.为证实ERCUnet的可塑性,通过修改模型参数得到ERCUnet-tiny模型,其参数量仅为U-Net(BN)模型的2.39％,在测试集上取得了与U-Net(BN)相近的效果.
文献关键词：
道路裂缝检测;U-Net;残差结构;数据增广
中图分类号：
作者姓名：
刘宇翔;佘维;沈占峰;谭帅
作者机构：
郑州大学软件学院,河南 郑州 450001;中国科学院空天信息创新研究院,北京 100101
文献出处：
引用格式：
[1]刘宇翔;佘维;沈占峰;谭帅-.ERCUnet:一种基于U-Net改进的道路裂缝检测模型)[J].计算机与现代化,2022(07):33-39,53
A类：
ERCUnet,CrackForest,ERCU
B类：
道路裂缝检测,检测模型,灵活度,ResNet,编码解码结构,残差块,不同深度,深度卷积,卷积层,卷积核,核数,块结构,整体结构,整齐,可塑性,残差结构,特征融合,深层卷积神经网络,梯度消失,训练集,测试集,数据增广,训练数据,损失函数融合,交叉熵,正负样本,样本不均衡,模型参数量,BN,查全率,查准率,tiny
AB值：
0.284889
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
