论文部分内容阅读
为解决现有隧道渗漏水检测方法中存在的检测精度较低、抗干扰能力较差、检测速度较慢的问题，本文提出了一种基于深度语义分割的隧道渗漏水图像识别算法。该算法以DeepLabv3+语义分割算法为基础，首先采用轻量化分类网络EfficientNetv2作为主干网络，在减少网络参数的同时，提升了识别精度；其次融合卷积注意力机制模块（CBAM），通过增大图像中有效通道的权重，提升网络对于渗漏水特征信息的提取能力；进而从图像识别精度、模型内存和处理速度三个方面与DeepLabv3+、PSPnet、Unet等传统语义分割算法进行对比实验。研究表明：提出算法的平均像素准确率（mPA）和平均交并比（m Io U）分别为93.99%、89.87%，模型大小仅为33.4MB，图像处理速度（FPS）可达39.87 f/s。相较于三种对比算法，构建算法在隧道渗漏水病害检测的精度和效率上都有显著提升，且具有更为优越的边缘分割效果以及抗干扰能力，适用于复杂环境下的隧道渗漏水检测任务，能够更好地满足工程检测需求。