主要观点总结
本文提出了一种面向多维图像的路表破损自动分割模型与特征融合优化方法，旨在提升复杂场景中路表裂缝与坑槽的识别精度和鲁棒性。该方法基于多目立体视觉重构的路表高精度点云模型，通过同源点云栅格化生成二、三维图像，并构建了复杂场景路表破损图像数据集。然后，结合深度可分离卷积和多层位特征叠加，构造了轻量化编码-解码网络PDU-net，用于像素级裂缝与坑槽识别。在分割模型基础上，提出了像素运算和通道重组两种多维图像融合策略，以提升深度学习网络对浅细裂缝特征的提取效率。试验结果表明，PDU-net模型能够有效学习不同类型图像和破损特征，在不同数据集上的训练损失均能稳定收敛，其中三维图像训练周期小于二维图像。相比于现有卷积分割网络，PDU-net模型在复杂场景下的路表破损分割精度和效率更高，三维裂缝与坑槽图像分割的调和均值分别为81.00%和95.85%，平均正向推理时间约为现有模型的30%。多维融合图像可以提升复杂裂缝分割的精度和鲁棒性，在最优色彩-深度比为0.2时，裂缝分割的调和均值可提升至83.31%。综上所述，所提出的方法可在复杂场景中有效抑制环境噪声并强化病害特征。
关键观点总结
关键观点1: 提出面向多维图像的路表破损自动分割模型与特征融合优化方法
为解决复杂场景中路表裂缝与坑槽识别精度和鲁棒性问题，提出基于多目立体视觉重构高精度点云模型，生成同源二、三维图像，构建复杂场景路表破损图像数据集。
关键观点2: 构造轻量化编码-解码网络PDU-net
结合深度可分离卷积和多层位特征叠加，用于像素级裂缝与坑槽识别，提高模型的学习效率和分割精度。
关键观点3: 提出像素运算和通道重组两种多维图像融合策略
提升深度学习网络对浅细裂缝特征的提取效率，优化复杂场景浅细裂缝的分割精度和鲁棒性。
关键观点4: 试验验证和性能评价
通过试验验证PDU-net模型的有效性，与现有模型相比，在复杂场景下的路表破损分割精度和效率更高，多维融合图像能进一步提升裂缝分割的精度和鲁棒性。
关键观点5: 未来研究方向
后续研究可扩展至其他破损与变形类型，结合三维卷积与立体视觉，自动提取病害几何尺寸信息，评估各类型路表病害的严重程度。
文章预览
作者： 管进超，丁玲，杨旭等 来源：《交通运输工程学报》 编辑：陈萍萍的公主@一点人工一点智能 原文：https://transport.chd.edu.cn/cn/article/doi/10.19818/j.cnki.1671-1637.2024.03.010 摘要 ：为提升复杂场景中路表裂缝与坑槽的识别精度和鲁棒性，考虑实际检测场景中路表破损形态的不规则性和环境噪声干扰，提出了一种面向多维图像的路表破损自动分割模型与特征融合优化方法。 基于多目立体视觉重构的路表高精度点云模型，通过同源点云栅格化生成二、三维图像，建立了复杂场景路表破损图像数据集；结合深度可分离卷积和多层位特征叠加，构造了轻量化编码-解码网络PDU-net，用于像素级裂缝与坑槽识别；在分割模型基础上，提出了像素运算和通道重组2种多维图像融合策略，以提升深度学习网络对浅细裂缝特征的提取效率。 试验结果表明：PDU-net模型能够
………………………………
