摘要： 深度学习裂缝检测在特征提取过程中易发生信息丢失和位置偏移，面临复杂纹理路面背景和阴影等噪声干 扰时出现裂缝的误检和漏检。提出一种基于参考的超分辨率思想的裂缝纹理匹配方法。优化后的上下文注意力模 块（ｇｌｏｂａｌｃｏｎｔｅｘｔｂｌｏｃｋ，ＧＣｂｌｏｃｋ）增强特征图片中像素间的空间依赖，随后从上层编码层参考图像中借用高分辨率 空间纹理来补偿低分辨率特征图像中的信息损失，构建用于路面裂缝检测的纹理匹配网络（ｔｅｘｔｕｒｅｍａｔｃｈｉｎｇｎｅｔｗｏｒｋ， ＴＭＮｅｔ）模型。在公开数据集Ｃｒａｃｋ５００、ＤｅｅｐＣｒａｃｋ和自建数据集上对预测模型进行验证。结果表明：所提出的ＴＭ Ｎｅｔ在２个公开数据集和自建数据集上ＭＩｏＵ分别达到７８．３５％、８９．８６％和７７．６８％，相较于其他对比网络，能在细节 纹理恢复上拥有更好的结果。

关键词: 路面裂缝检测；语义分割；参考的超分辨率；注意力机制；纹理匹配

中图分类号: 

• Ｕ４１８．６