Page 120 - 2025年第56卷第10期

膜的覆盖范围，使更多裂缝区域得以被准确分割，提升了分割效果。
综上所述，消融实验表明，AGR-CrackNet 通过综合利用裂缝的形貌特征、注意力引导机制以及
多种损失函数，显著提升了裂缝的分割效果，同时有效抑制了噪声区域的错误分割。
4.3 相关算法对比实验 为验证 AGR-CrackNet，本文在 DamCrack 和 UnderwaterCrack 数据集上，与
［17］ ［16］
5 种裂缝分割算法进行对比实验。这些对比算法包括有监督算法（如 DeepLab v3+ 、U-Net 、Deep⁃
［18］ ［25］ ［21］
Crack ）和无监督算法（如 RIAD 、UP-CrackNet ）。实验中，各算法均采用其默认的最优训练参
数，并在相同的测试集上评估其分割性能。各算法的评价指标结果见表 3 和表 4，典型分割结果如图 9
和图 10 所示。其中，所有评价指标均为测试图像的平均值。

表 3 在 DamCrack 数据集上的对比实验 表 4 在 UnderwaterCrack 数据集上的对比实验
评价指标/% 评价指标/%
类型 算法 类型 算法
Pr Re IoU F Pr Re IoU F
1 1
DeepLab v3+ 90.8 71.8 66.7 78.8 DeepLab v3+ 64.8 21.2 19.4 27.0
有监督算法 U-Net 88.7 65.4 61.7 74.1 有监督算法 U-Net 33.0 7.3 7.0 10.2

DeepCrack 91.9 75.5 70.3 81.2 DeepCrack 84.4 60.3 53.9 66.3
RIAD 20.0 21.7 10.4 18.1 RIAD 15.4 39.6 10.4 18.2
无监督算法 UP-CrackNet 77.9 75.4 62.1 74.9 无监督算法 UP-CrackNet 26.9 26.2 15.1 23.0
本文算法 86.3 85.6 74.7 84.9 本文算法 53.9 54.3 35.0 49.4
注：最佳结果以粗体标注。 注：最佳结果以粗体标注。

注：TP、FP 和 FN 像素分别为红色、绿色和蓝色。 注：TP、FP和 FN像素分别为红色、绿色和蓝色。
图 9 不同算法在 DamCrack 数据集上的部分 图 10 不同算法在 UnderwaterCrack数据集上的
裂缝图像的分割结果 部分裂缝图像的分割结果

由表 3 和图 9 可知，AGR-CrackNet 在 DamCrack 数据集上表现出优异的性能。DamCrack 数据集采
集于真实的大坝环境，裂缝背景区域受到环境因素的影响，存在大量黑色噪声。裂缝宽度差异显著，
并且包含大量难以识别且标签制作困难的细裂缝。对于有监督算法，其分割效果高度依赖于标注数据
的质量，因此在细裂缝的分割上表现较差。而传统的无监督算法未能充分考虑裂缝的几何形状和灰度
分布，导致深色噪声区域易被误分为裂缝，分割结果的评价指标普遍较低。
相比之下，AGR-CrackNet 综合考虑了裂缝的形貌特征，并通过注意力引导重构实现了自动分割，

— 1367 —