基于骨架拓扑注意力门网络的民用结构裂缝语义分割方法

《Scientific Reports》：A symmetric dual stream deep learning model with a shared encoder and topological attention gate for crack segmentation

　　

摘要

语义裂缝分割是民用结构自动化检测中的重要任务，但保持裂缝的连续性、连通性和结构一致性对于传统模型而言仍具有挑战性。本研究提出了SkelTAG-Net（骨架拓扑注意力门网络），这是一种共享编码器的对称双流深度学习模型，由分割流和监督骨架流组成，其中通过拓扑注意力门（TAG）模块将结构信息注入分割解码器中。该模型在CrackVision12K数据集上进行了评估，并与基于CNN、基于Transformer以及混合架构的模型进行了比较。结果表明，SkelTAG-Net取得了最佳的整体性能，其IoU为0.676，F1-Score为0.781，clDice为0.848，优于SegFormer-B2和U-Net等模型。这些结果表明，SkelTAG-Net在民用结构自动化检测中具有应用潜力，并可支持结构健康监测（SHM）系统。