Page 119 - 2025年第56卷第10期

本文在随机掩膜的基础上逐步引入裂缝的几何形状和灰度 表 1 评价指标定义
分布，并添加相应的训练机制，形成 6 种改进模型，分别命 评价指标 定义
名为模型 A—F。其中，模型 A 采用的是黑白棋盘格随机掩 Pr Pr = TP
膜。各模型的输入特征及训练机制如表 2 所示。为评估改进 TP + FP
TP
效果，本文在 DamCrack 数据集上对上述模型进行训练，并 Re Re = TP + FN
在 相 同 测 试 集 上 计 算 多 项 评 价 指 标 。 定 量 分 析 结 果 详 见 TP
IoU IoU = TP + FN + FP
表 2，典型裂缝图像的分割结果如图 8 所示。 2 × Pr × Re
由表 2 和图 8 可知，模型 F 基于裂缝特征生成损坏图像， F 1 F 1 = Pr + Re
并通过引入注意力引导机制、掩膜对抗损失和内容注意力

表 2 消融实验模型及评价指标
损坏掩膜 训练机制 评价指标/%
模型
随机掩膜 几何形状 灰度分布 注意力引导机制 L adv (G，D mask ) Pr Re IoU F

1
L attn
L basic
A √ × × √ √ √ √ 9.0 49.5 8.1 14.6
B √ √ × √ √ √ √ 90.9 49.5 47.2 59.3
C √ √ √ √ × × × 26.8 86.8 25.3 33.6
D √ √ √ √ √ × × 79.6 84.8 68.6 80.4
E √ √ √ √ √ √ × 83.2 79.9 68.4 80.5
F √ √ √ √ √ √ √ 86.3 85.6 74.7 84.9
注：评价指标为 100 张测试图像的平均值，最佳结果以粗体标注。

图 8 典型裂缝图像的分割结果

损失，综合评价指标（如 F 值）和定性分割结果均达到了最优。相比之下，仅使用随机掩膜的模型 A 在
1
重构过程中，黑色像素附近的大块区域被重构。在差异图二值化时，阈值难以选择，非裂缝区域被错
误分割为裂缝区域，裂缝区域也无法完全分割（如图 8（a）所示）。模型 B 在掩膜生成中考虑了裂缝的几
何形状，有效抑制了非线性黑色区域的分割（如图 8（b）的蓝框所示）。然而，由于未考虑裂缝边缘的特
征，仅针对黑色线性区域进行重构，虽然分割精度有所提高，但召回率偏低，裂缝边缘的分割效果较
差（如图 8（b）的绿框所示）。
模型 C 在引入裂缝形貌特征的基础上仅使用对抗网络进行图像重构。该方法会导致非裂缝区域的
重构，引发错误的分割结果（如图 8（c）的蓝框所示）。模型 D 进一步引入了注意力引导机制，通过调整
生成内容图像与损坏图像在非裂缝区域的占比，有效抑制了非裂缝区域的重构，精度、交并比和 F 分
1
数值均显著提升。模型 E 在此基础上加入了掩膜对抗损失，使生成的掩膜分布特征更接近真实掩膜，
扩大了裂缝区域和非裂缝区域中损坏图像与内容图像占比的差异，减少了非裂缝区域噪声的错误重
构，进一步提升了分割精度。然而，掩膜对抗损失的引入可能导致掩膜收缩，部分裂缝区域未被包含
在注意力掩膜中无法实现重构，召回率略有下降（如图 8（e）所示）。模型 F 在模型 E 的基础上添加了内
容注意力损失，通过减少掩膜范围内重构图像与真实图像的差异，与基本损失的共同作用下扩展了掩

— 1366 —