瞿 中，李 明

(重庆邮电大学 计算机科学与技术学院，重庆 400065)

0 引 言

路面裂缝检测对延长路面寿命和保证路面结构安全具有重要的意义。近年来，国内外学者已提出了一系列自适应的裂缝检测算法。早期裂缝检测算法大多都基于数字图像处理技术。Zhou等[1]提出一种基于小波变换的裂缝检测算法。Li等[2]提出了一种基于K-means聚类的路面裂缝分割算法。Qu等[3]提出了一种基于改进遗传规划的裂缝检测算法。但是对于数字图像处理技术来说，绝大多数方法对于特征提取的处理都采用手工提取，其针对性较强，泛化能力较弱，不能很好适配所有噪声情况下的裂缝图像。

近年来一些基于深度学习的裂缝检测算法层出不穷。Yang等[4]提出一种基于特征金字塔的裂缝检测算法。Qu等[5]提出了一种基于注意力机制和多特征融合的裂缝检测算法。Zhou等[6]提出一种高精度的裂缝检测模型，该模型使用条形池化减少特征损失并使用注意力机制提高模型识别精度。基于深度学习的裂缝检测算法会随着网络层数的增加导致分辨率降低，可供提取的有效局部和全局特征变少，成为精度提升的瓶颈。

本文提出了一种基于混合扩张卷积和空间-通道注意力机制的路面裂缝检测算法。该算法基于改进的U-Net[7]网络，在编码阶段，使用空间-通道注意力机制增强裂缝特征，抑制非裂缝特征。混合扩张卷积可以在保持输入图像分辨率不变的前提下扩大网络模型感受野，而在卷积神经网络深层部分，由于不断对图像进行降采样操作来扩大感受野，造成了图像在获取特征时大量局部特征信息丢失。……