增强语义信息与多通道特征融合的裂缝检测

顾书豪，李小霞，2，王学渊，2，张 颖，陈菁菁

1.西南科技大学 信息工程学院，四川 绵阳621010

2.特殊环境机器人技术四川省重点实验室，四川 绵阳621010

裂缝是最常见的路面缺陷之一，为保障行车安全，准确检测路面裂缝具有重要的研究价值[1]。在过去的几年中裂缝检测已成为道路养护系统研究的热点。传统的人工道路裂缝检测方法非常耗时且易受主观判断影响，随着计算机视觉技术的发展，人们开始致力于将计算机视觉技术应用于裂缝的自动检测[2]。研究人员已提出了各种基于视觉的方法来检测道路裂缝，早期多采用人工设计特征的裂缝检测算法，例如灰度特征[3]、边缘特征[4]、Gabor滤波器[5]以及方向梯度直方图（Histogram of Oriented Gradient，HOG）[6]。这些方法检测效果依赖于特征的选择，极容易出现空洞、相近特征区域之间相互“污染”以及误识等问题。同时，由于道路路面状况复杂多样，裂纹像素附近的对比度较差，给裂缝的识别和检测带来了极大挑战，在这样复杂的情况下，人工设计单个或多个特征难以检测不同道路的图像裂缝。

近年来，卷积神经网络（Convolutional Neural Network，CNN）已广泛应用于计算机视觉中的目标检测[7]。不同于人工设计特征的方法，CNN 具有自动学习特征的能力，同时不同层次学习不同的特征：低层的卷积层能表达图像的细节信息，学习图像的局部区域特征，有利于图像中各目标区域边界的定位；高层的卷积层能表达图像的语义信息，学习深层次的抽象特征，有利于图像中各目标区域的分类。……