(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210849517.2 (22)申请日 2022.07.19 (71)申请人 安徽建筑大学 地址 230000 安徽省合肥市经济技 术开发 区紫云路292号 (72)发明人 杨亚龙　苏亮亮　张公泉　汪明月　 徐文晶　牛震　胡奇志　丁磊　 解静平　 (74)专利代理 机构 北京科家知识产权代理事务 所(普通合伙) 11427 专利代理师 戴明虎　周雷 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/44(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于U-Net网络及CB AM注意力机制的路面裂 缝分割方法 (57)摘要 本发明公开了一种基于U ‑Net网络及CB AM注 意力机制的路面裂缝分割方法， 包括如下方法步 骤： 步骤S1、 获取路面裂缝数据集， 其中， 路面裂 缝数据集包括路面裂缝训练集、 路面裂缝验证集 和路面裂缝测试集； 步骤S2、 分别对步骤S1中路 面裂缝训练集进行数据扩充， 路面裂缝验证集和 路面裂缝测试集不进行数据扩充， 得到路面裂缝 样本集， 再利用步骤S1得到的路面裂缝验证集选 择训练裂缝检测网络， 得到训练裂缝检测网络内 最优的模型从而利用路面裂缝测试集测试网络 性能。 本发明提高特征提取能力， 同时使得模型 训练的结果更加的准确。 权利要求书2页 说明书6页 附图4页 CN 115376003 A 2022.11.22 CN 115376003 A 1.一种基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特征在于， 包括如 下 方法步骤： 步骤S1、 获取路面裂缝数据集， 其中， 路面裂缝数据集包括路面裂缝训练集、 路面裂缝 验证集和路面裂缝测试集； 步骤S2、 分别对步骤S1中路面裂缝训练集进行数据扩充， 路面裂缝验证集和路面裂缝 测试集不进行数据扩充， 得到路面裂缝样本集， 再利用步骤S1得到的路面裂缝验证集选择 训练裂缝检测网络， 得到训练裂缝检测网络内最优的模型从而利用路面裂缝测试集测试网 络性能； 步骤S3、 构建引入CBAM注意力机制改进型U ‑Net卷积神经网络分割模型， 在 下采样和上 采样之间的跨层连接中融合CBAM注意力机制， 在下采样最后一层特征图中融合串联与并联 结合的扩张卷积模块， 在上采样中使用深度可分离卷积模块； 步骤S4、 将步骤S2中标注后的路面裂缝训练集图片输入步骤S3中构建的基于U ‑Net网 络及CBAM注意力机制的路面裂缝分割模型进行训练， 得到训练好的模型； 步骤S5、 利用步骤S1得到的路面裂缝验证集选择训练裂缝检测网络， 得到训练裂缝检 测网络内最优的模型， 将路面裂缝测试集输入训练好的模型中进 行测试从而进一步的得到 路面裂缝测试 结果； 步骤S6、 将步骤S5得到的路面裂缝测试结果与路面裂缝测试集所对应的标签图片中的 裂缝位置进行对比， 计算评价指标， 对测试 结果进行评价。 2.根据权利 要求1所述的基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特 征在于， 所述步骤S1收集路面裂缝数据集包括路面裂缝的真实图片和与之对应的标签图 片。 3.根据权利 要求1所述的基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特 征在于， 所述 步骤S2具体包括如下 方法步骤： 步骤S21、 通过对路面裂缝训练集中的全部训练样本进行旋转、 平移和翻转等方式对路 面裂缝训练集进行 数据扩充， 路面裂缝验证集和路面裂缝测试集 不进行数据扩充； 步骤S22、 将所有步骤S21中数据扩充的路面裂缝训练集中的训练样本与标签样本重新 尺寸化以利于计算损失， 同时去除数据集中训练样本内噪声过多的训练样本； 步骤S23、 将步骤S22中去除噪声过多后的训练样本用于训练网络、 同时将路面裂缝验 证集用于 选择性能最佳模型以及将路面裂缝测试集用于测试网络模型性能。 4.根据权利 要求3所述的基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特 征在于， 所述旋转是指随机旋转图像到若干个指 定的角度， 改变图像内容的朝向， 所述平移 指图像平面上对图像以水平方向进行平 移或垂直方向进行平 移。 5.根据权利 要求1所述的基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特 征在于， 所述步骤S3中卷积神经网络分割模型基于U ‑Net网络的基础上添加CBAM注意力机 制模块、 深度可分离残差卷积模块和扩张卷积模块。 6.根据权利 要求5所述的基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特 征在于， 所述CBAM注意力模块包括独立的通道注意力模块和 独立的空间注意力模块， 所述 通道注意力模块和空间注意力模块分别在通道与空间上进行注意力权 重计算。 7.根据权利 要求6所述的基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特权　利　要　求　书 1/2 页 2 CN 115376003 A 2征在于， 所述步骤S4中训练基于U ‑Net网络及CBAM注意力机制的路面裂缝分割模型具体包 括采用Adam优化器进行训练， 采用二元交叉熵函数作为训练过程损失函数； 其中， 二元交叉熵函数为： 其中， LBCE ‑loss为损失值， N为一张混凝土图像 的总像素数目， Li和yi分别为第i个像 素点的标签值与预测概 率值。 8.根据权利 要求1所述的基于U ‑Net网络及CBAM注意力机制的路面裂缝分割方法， 其特 征在于， 所述 步骤S6中计算评价指标步骤如下： 步骤S61、 对图像进行二 值化处理， 设定阈值； 步骤S62、 对 模型进行评估， 计算以下评价指标的平均值； 步骤S63、 综合各个指标选取在路面裂缝验证集上表现最 好的模型。权　利　要　求　书 2/2 页 3 CN 115376003 A 3