复杂场景下的双编码器裂缝分割方法
Abstract
裂缝是严重结构损伤的早期迹象，也是评估结构健康和监测过程的重要指标。针对复杂场景下裂缝分割任务存在的背景干扰、形态不规则及全局建模不足等问题，提出了一种双编码器网络架构CTDC-Net。该模型通过并行部署的CNN编码器和Transformer编码器分别捕获裂缝图像的局部特征与全局特征，并设计特征融合模块（FFM）实现跨域融合和相关性增强。为解决编码器与解码器特征语义不匹配问题，在解码器中引入残差自适应模块（RAdM）以优化特征传递过程。通过与当前主流的7个模型对比，CTDC-Net在Crack3238数据集上取得了显著的性能提升，其精度达到了79.62%，F1分数为78.85%，平均交并比为65.08%。实验结果表明，CTDC-Net在裂缝分割的准确率方面优于其他先进的网络，并在复杂场景下表现出更好的泛化能力。
Fields of Study & Subjects
Infrastructure Maintenance and Monitoring
Advanced Neural Network Applications
Industrial Vision Systems and Defect Detection
Publication details
- Journal / source
- Laser & Optoelectronics Progress
- Volume
- 63
- Issue
- 2
- Pages
- 0215004–0215004
- Publication date
- 1 January 2026
- Language
- EN