摘要:为解决当前混凝土裂缝检测模型庞大难以部署到移动端设备且裂缝检测不准、漏检问题,提出一种基于多维注意力模块的轻量化混凝土裂缝检测方法。方法中,针对当前主流的裂缝检测模型庞大的问题,采用深度可分离卷积对YOLOv5s中的CBS特征提取模块进行重构得到轻量化CBS特征提取模块(Lightweight CBS,LCBS),以减少网络的参数量及计算量;针对裂缝检测不准问题,提出一种多尺度特征提取模块(Multi-Scale Feature, MSF)用于替换YOLOv5s第一层的卷积层,以增强网络对不同尺寸裂缝特征的提取能力;针对裂缝漏检问题,提出融合空间及通道信息的多维注意力模块(Multi-Dimensional Attention, MDA),以增强裂缝特征提取能力和减少裂缝漏检。实验表明,所提方法比YOLOv5s参数量减少35.2%,计算量减少50.9%,模型规模减少了32.8%,且平均精度均值(mAP@0.5)提高4.2%,与目前主流的同类目标检测方法相比也具有较低的参数量和较高的检测精度。
文章目录
0 概述
1 相关工作
2 基于多维注意力模块的轻量化混凝土裂缝检测方法
2.1 方法概述
2.2 轻量化CBS特征提取模块LCBS
2.3 多尺度特征提取模块MSF
2.4 多维注意力模块MDA
3 实验及其结果分析
3.1 实验设置及评估指标
3.2 多维注意力模块MDA相关实验
3.2.1模块结构相关实验
3.2.2不同注意力模块对比
3.3 性能对比实验
3.4 消融实验
4 结束语