【成果简介】
裂缝检测是监控隧道结构安全和保障行车安全的重要任务，及时发 现隧道裂缝缺陷，有利于降低工程维护成本。如何平衡裂缝检测的精度 和 实时 性 是 当 前 研 究的 一 个 难 点 。 本 项 目 提 出 一 种 基 于 轻 量 级 Transformer 的裂缝分割方法 CrackViT。采用卷积神经网络与 Transformer 混合的MobileViT 网络构建裂缝特征提取网络。提出改进空洞空间金字 塔池化解码器实现不同尺度的特征提取和融合。引入高效通道注意力模 块，增强对裂缝特征信息的提取能力。此外，针对裂缝与背景类别不平 衡问题，设计了在线困难样本挖掘损失函数进行缓解。研究结果表明， CrackViT 所预测的裂缝分割图像边缘更加清晰和完整，保持推理速度的 同时，能够有效检测裂缝，该算法有助于隧道裂缝检测实际应用。
【技术指标】
本项目的 CrackViT 模型在裂缝数据集上以 63 FPS 的速度获得了 75.62%的 IoU，模型参数量仅为 2.43M。CrackViT 经扩张后的 CrackViT-L 模型精度 IoU 达到 76.83% ，模型参数量为 3.56M ，模型推理速度达到 61FPS 。算法测试精度优于大多数主流模型，并且需要更少的参数。
【技术成熟度】
正在研发 【应用情况】
