2023年第3期计算机与数字工程收稿日期：2022年8月18日，修回日期：2022年9月11日作者简介：苗翔宇，男，硕士，研究方向：图像处理，深度学习。刘华军，男，博士，副教授，研究方向：图像处理，深度学习。∗1引言公路的建设极大地方便了人们的日常出行，行车安全也越来越凸显其重要性，及时修补破损路面是道路管理部门的一项重要工作。因此，快速掌握路面状况，并高效地实现自动化裂缝检测是亟待解决的工程实践问题。传统的路面检测方法是由专业人员人工排查，根据损毁严重程度进行专业的评估，但是这种方式不仅工作量大，而且效率很低，检测成本非常高。为了更加高效地检测路面裂纹，基于图像处理的方法得到了广泛的应用，常用的传统图像处理方法主要包括阈值分割［1］、边缘检测［2~4］、小波变换［5~6］以及基于形态学［7］的方法。但是由于光照，阴影，背景和纹理这些因素的影响，这些检测的结果往往不尽人意。近年来，深度学习作为机器学习的一个分支，在各种视觉识别任务取得了良好的表现。深度学习通过神经网络自动学习裂缝图像的特征，不再需要人为地设计特征提取器。随着全卷积神经网络基于金字塔特征和级联注意力的路面裂缝检测∗苗翔宇刘华军（南京理工大学计算机科学与工程学院南京210014）摘要路面裂缝检测是道路病害自动检测一个关键环节，传统图像检测方法效率不高且易受环境干扰。论文基于卷积神经网络设计了一种在金字塔特征上采用级联注意力（CascadedAttention）机制的CANet新结构。该网络以ResNext50为骨架网络提取路面图像金字塔特征，进而生成跨层和跨尺度的两级注意力掩膜对裂缝的卷积特征进行增强，并在不同尺度输出的裂缝特征采用双向融合方式生成裂缝预测图。CANet网络新增三个新模块，分别是LayerAttention（LA）模块、Scale-Attention（SA）模块以及MultiViewEnhance（MVE）模块。该网络分别在CrackLS315和DeepCrack-DB两个数据集上进行了训练和测试，ODS和OIS指标都取得了当前最好结果。关键词注意力机制；裂缝检测；多尺度融合；膨胀卷积中图分类号U41DOI：10.3969/j.issn.1672-9722.2023.03.017RoadCrackDetectionBasedonPyramidFeaturesandCascadedAttentionMIAOXiangyuLIUHuajun（SchoolofComputerScienceandEngineering，NanjingUniversityofScienceandTechnology，Nanjing210014）AbstractPavementcrackdetectionisakeylinkinautomaticroaddiseasedetection.Traditionalimagedetectionmethodsarenotefficientand...
