刘 凡 王君锋 陈峙宇 许 峰

(河海大学计算机信息学院 南京 210098) (海岸灾害与防护教育部重点实验室(河海大学) 南京 210098)

裂缝作为公共设施中一种常见现象，存在着重大的安全隐患.因此设计一种有效的裂缝检测方法对保障社会公共财产安全具有重要意义.早期的裂缝检测采用人工检测，由于其花费时间长，且易受主观判断影响，难以推广应用.因此，为了克服人为因素造成的主观误差，学者们提出了基于图像处理的自动检测方法，包括小波变换[1-2]、阈值分割[3-5]、方向各异性[6-7]、边缘算法[8-10]和直方图[11-13]等.这些方法通过机器进行检测，避免了人为误差的产生，同时大大提高了检测的效率，促进了检测技术的发展.但还是存在一些不足，当裂缝图像环境较为复杂时，这些方法很难获得准确的结果，因此需要进一步的研究.

近年来，随着深度学习的快速发展，其在裂缝检测领域中也得到了广泛应用.如墙壁裂缝检测[14-15]、桥塔和锚室表面裂缝检测[16-17]、路面裂缝检测[18-20]和混凝土裂缝检测[21-22]等.在进行裂缝检测时，深度学习方法不仅注重裂缝特征的提取，而且关注图像中的上下文信息，使最后提取的特征更加精准有效.但这些方法在提取裂缝特征时，易受到图像中噪声、光线、阴影等因素的干扰，导致预测结果出现偏差，降低检测准确度.针对此问题，本文设计了一个并行注意力机制，并将其嵌入到UNet网络的解码部分，进而提出了并行注意力UNet裂缝检测方法.该并行……