基于RT PSPNet的路面条状修补实时语义分割研究OA

路面病害中的条状修补检测是路面智能养护的关键技术之一。现有基于深度学习的语义分割模型在此任务中普遍存在模型参数量大、推理速度慢、细节特征丢失等问题,难以同时满足精度与实时性要求。针对上述问题,提出了一种轻量化高精度的实时语义分割模型——RT PSPNet。该模型在PSPNet基础上进行了多维改进:首先,对ResNet50主干进行深度与通道数的结构化剪枝,得到浅层轻量ResNet,在显著减少参数量的同时保留更多细节特征;其次,设计轻量化小型金字塔池化模块(CPPM)替代原PPM,减少池化分支并引入逐深度卷积,以提升特征提取效率;最后,引入多尺度特征融合机制与多分割头复合损失函数,增强模型对细长目标的完整分割能力与训练稳定性。实验结果表明,在自建条状修补数据集上,RT PSPNet相比原PSPNet在分割精度(mIoU)上提升7.06个百分点,参数量减少96.4%,计算量降低76.1%,推理速度达到147 fps,结合混合精度加速策略后可达258 fps,为基准模型的8.6倍。与当前多种主流及轻量化先进模型相比,RT PSPNet在分割精度、推理速度与模型轻量化3个方面表现出综合的领先优势。RT PSPNet的模型代码和权重已在GitHub上供免费下载使用。