复杂环境下低秩组卷积深度网络提升路面裂缝精准检测

本文主要探讨了在复杂背景下，如何通过一种创新的路面裂缝检测算法来提高混凝土路面裂缝的精确识别能力。该算法的核心是结合了低秩核和组卷积的交错低秩组卷积混合深度网络（Interleaved Low-Rank Group Convolutional Mixed Depth Network，简称ILR-GCMDN）。这一设计旨在解决传统裂缝检测算法在光照不均、背景复杂和噪声干扰下表现不佳的问题。 首先，作者采用了重叠滑动窗口技术对路面裂缝图像进行采集和预处理，构建了一个包含裂缝和非裂缝样本的数据集。通过在训练集上训练一个鲁棒性强的分类器，能够有效区分裂缝图像和非裂缝图像，提高了检测的准确性。 接下来，算法利用自适应阈值法对裂缝图像进行二值化处理，这种方法可以根据图像局部特征动态调整阈值，从而得到边缘轮廓清晰的裂缝图像。这样可以确保检测结果的边缘细节清晰，有助于后续裂缝宽度的测量。 在裂缝宽度的测量阶段，算法采用中轴线法来确定裂缝的最大宽度，这种方法能准确地定位裂缝的位置并量化其尺寸，这对于路面维护和评估至关重要。 实验结果显示，新提出的ILR-GCMDN算法在测试集上的检测精度高达0.9726，明显优于传统的裂缝检测方法，同时显著降低了模型参数量，使得处理速度提升至每秒14张图像，显示出了良好的效率。在实际工程应用中，对于2.5毫米以上宽度的裂缝，计算相对误差小于0.02，满足了工程对精度的要求。 本文提出的算法在复杂环境下的路面裂缝检测表现出色，不仅提升了检测的准确性，还优化了计算资源的使用，为路面维护和监测提供了有效的技术支持。在未来的研究中，这种低秩和组卷积的混合策略有望在其他领域的图像处理任务中也发挥重要作用。