弁言

裂痕检测是道路掩护不可或缺的条件，其可以为多种道路损伤供应预警信息，从而在很大程度上降落掩护本钱。
因其安全性和便捷性，很多基于图像处理的裂痕检测方法相继被提出，但由于图像繁芜的纹理构造和严重的种别不平衡问题，现行方法很难知足实际运用需求。
为理解决该问题，作者提出一种基于外部把稳力勾引网络和标签扩展策略的裂痕检测系统，其以TransUNet为主干，并将外部把稳力机制纳入系统框架来增强网络的构造化特色编码能力。
详细来讲，TransUNet中的跨层连接机制能够将浅层网络的纹理细节信息通报到对应的深层网络，而其Transformer模块能够对图像不同区域之间的交互关系进行有效刻画。
其余，作者将外部把稳力模块加入到编码网络末端和解码网络初端，用以增强对不同图像裂痕区域之间的相互依赖关系的刻画，进而提升系统对不同图像的鲁棒性温柔应性。
末了，作者结合Focal Loss提出一种边缘扩展策略，用以降落因演习样本中裂痕和非裂痕区域样本量的严重不屈衡所导致的模型坍塌问题。
作者通过在不同数据集上的大量实验，验证了其方法的有效性。

算法框架

文章算法框架如图1所示

图1. 基于把稳力引到网络和标签扩展策略的裂痕检测系统流程图

该方法的实行流程分为以下几个步骤

（1） 多尺度滤波（中值滤波）领悟，用以担保在保留裂痕纹理构造信息的同时肃清噪声等滋扰成分的影响。

（2） 主干网络推理，通过跨层连接、Transformer交互感知和外部把稳力跨图像感知，提升模型对图像裂痕信息的挖掘能力以及检测系统的稳定性。

（3） 扩展标签优化，通过将裂痕区域邻域内非裂痕样本标签转化为裂痕标签类，提高裂痕样本占比，结合Focal Loss的加权惩罚策略，用以减轻因种别样本严重不平衡而导致的模型坍塌问题。

实验结果

本文方法部分实验结果如表1、表2和图2所示.

表1. 不同方法在3个公开数据集上的量化

从表1可以看出，本文方法在3个公开数据集上都取得了最好的结果（以为紧张参考依据），由此可见本文方法的优胜性。
其余，为了验证本文所提不同模块的有效性，作者在Cracktree200数据集上进行了溶解实验，实验结果如表2所示。

表2. 本文所提方法在Cracktree200数据

从表2可以看出， Transformer模块、外部把稳力模块、标签扩展策略和多尺度滤波领悟都能在一定程度长进步系统的检测性能。
详细来讲，Transformer模块和外部把稳力模块能够有效加强网络对图像构造信息的刻画能力、标签扩展策略能够在一定程度上办理由于样本严重不屈衡导致的模型坍塌问题，而多尺度滤波领悟策略则能够有效降落随机噪声等滋扰成分对检测结果的影响。

图2. 本文方法在实际拍摄数据集CrackPV

从图2可以看出，本文方法在实际运用处景中能够有效避免车道线等滋扰成分的影响，其余其对光芒变革也有较强的鲁棒性，能够适应不同场景的运用需求。

前景

除了裂痕检测，本文所提方法也能够扩展到医学图像解析、高精度工业损伤检测等领域，以达到降落人力本钱、提高生产效率的目的。

陕西悟空云信息技能有限公司以该项研究为依托，正积极报告工信部2021年人工智能家当创新任务揭榜挂帅项目，以期获取更多支持和关注。