梯度感知拓扑学习:面向边界优化裂缝分割OA

针对现有高精度裂缝分割模型因计算复杂度高而难以在资源受限设备上部署,而轻量化模型又普遍存在细节分割能力不足等问题,提出一种兼顾精度与效率的轻量化裂缝分割方法。该模型以DeepLabV3+架构为基础,构建了轻量化主干MobileNetV3-Crack,引入3项关键创新模块。首先,针对轻量化模型在定位精度方面的不足,设计了裂缝梯度空间注意力模块(crack gradient-guided spatial attention,CGSA)。该模块通过融合图像的梯度特征,引导模型对裂缝区域进行精细聚焦,强化了模型定位能力。其次,为提升裂缝形态的连续性,提出了裂缝边缘增强模块(crack-edge-data enhancement module,CDEM)。此模块通过图结构建模,挖掘裂缝边缘像素之间的空间关联性,增强了裂缝形态的连续性。再次,为实现对多尺度裂缝特征的自适应捕获,引入了梯度引导动态空洞ASPP模块(gradient-guided dynamic atrous ASPP,GDA-ASPP)。该模块利用梯度信息动态调整空洞卷积的膨胀率,从而能自适应调整感受野以匹配局部裂缝特征。所提出的模型在Crack500数据集上进行了性能评估,参数量仅为5.8 M,裂缝交并比(Crack-IoU)达74.63%,相较于原始DeepLabV3+架构提升了4.27个百分点,实验结果证明该方法在保证轻量化的同时,有效提升了分割精度。通过梯度引导与边缘增强的协同作用,该模型有效克服了轻量化设计的细节分割瓶颈,为裂缝智能检测提供了一种高效、精准且易于部署的解决方案。