基于语义分割的沥青路面裂缝智能识别

杨燕泽,王萌,刘诚,徐慧通,张小月

Intelligent identification of asphalt pavement cracks based on semantic segmentation

Yan-ze YANG,Meng WANG,Cheng LIU,Hui-tong XU,Xiao-yue ZHANG

表 5 训练模型的基本参数

Tab.5 Basic parameters of training model

模型序号 算法 网络 损失函数 占用空间/MB 训练时长/h 模型1（M1） U-Net R101 CROSS 423 3.12 模型2（M2） DeepLabV3 R101 CROSS 665 4.56 模型3（M3） PSPNet R101 CROSS 519 3.43 模型4（M4） DeepLabV3+ R101 CROSS 478 3.53 模型5（M5） DeepLabV3 R101 FOCAL 665 3.79 模型6（M6） PSPNet R101 FOCAL 519 2.72 模型7（M7） DeepLabV3 R101 DICE 665 3.78 模型8（M8） PSPNet R101 DICE 519 2.71 模型9（M9） U-Net R101 CROSS 423 11.68 模型10（M10） DeepLabV3 R101 CROSS 665 20.40 模型11（M11） PSPNet R101 CROSS 519 15.80 模型12（M12） DeepLabV3+ R101 CROSS 478 14.21 模型13（M13） DeepLabV3 R101 FOCAL 665 18.29 模型14（M14） PSPNet R101 FOCAL 519 12.98 模型15（M15） DeepLabV3 R101 DICE 665 18.23 模型16（M16） PSPNet R101 DICE 519 15.86 模型17（M17） DeepLabV3 R50 CROSS 518 13.40 模型18（M18） DeepLabV3 R18 CROSS 106 4.80 模型19（M19） DeepLabV3 MV2 CROSS 142 4.10 模型20（M20） PSPNet R50 CROSS 373 8.20 模型21（M21） PSPNet R18 CROSS 97.6 4.90 模型22（M22） PSPNet MV2 CROSS 104 3.90