基于深度学习的UNet的裂缝分割检测 建筑物裂缝识别 桥梁裂缝检测 (代码+界面+数据集)

UNet进行裂缝分割

项目描述

裂缝分割的任务是从道路图像或视频中识别并分割出裂缝。在本项目中，我们使用UNet模型来检测裂缝。我们评估了不同损失函数的性能，并比较了它们的结果。以下是实现的损失函数：
• 交叉熵损失（Cross Entropy Loss）
• Dice损失（Dice Loss）
• Dice交叉熵损失（Dice Cross Entropy Loss）
• 焦点损失（Focal Loss）

我们使用上述损失函数训练模型，并通过Dice系数（Dice Score = 1 - Dice Loss）评估其性能。需要注意的是，Dice Score可能不是比较这些模型的唯一正确指标。

安装

1. 下载项目：

2. 安装依赖：

   pipinstall-rrequirements.txt

3. 下载模型权重：将使用Dice Loss训练的模型权重model.pt放入weights文件夹中。

使用

1. 数据集
   下载数据集并将train和test文件夹放入data文件夹中，结构如下：

   data-| |-train-| |-images |-masks |-test -| |-images |-masks

2. 训练
   运行以下命令进行训练：

   python train.py

   训练参数：

   python train.py-husage: train.py[-h][--data DATA][--image_size IMAGE_SIZE][--save-dir SAVE_DIR][--epochs EPOCHS][--batch-size BATCH_SIZE][--lr LR][--weights WEIGHTS][--amp][--num-classes NUM_CLASSES]optional arguments: -h,--helpshow thishelpmessage andexit--dataDATA Path to root folder of data--image_sizeIMAGE_SIZE Input image size, default:512--save-dir SAVE_DIR Directory to save weights--epochsEPOCHS Number of epochs, default:5--batch-size BATCH_SIZE Batch size, default:12--lrLR Learning rate, default: 1e-5--weightsWEIGHTS Pretrained model, default: None--ampUse mixed precision --num-classes NUM_CLASSES Number of classes

3. 推理
   运行以下命令进行推理：

   python inference.py--weightsweights/model.pt--inputassets/CFD_001_image.jpg

   推理参数：

   python inference.py-husage: inference.py[-h][--weights WEIGHTS][--input INPUT][--output OUTPUT][--image-size IMAGE_SIZE][--view][--no-save][--conf-thresh CONF_THRESH]optional arguments: -h,--helpshow thishelpmessage andexit--weightsWEIGHTS Path to weightfile(default: last.pt)--inputINPUT Path to input image--outputOUTPUT Path to save mask image --image-size IMAGE_SIZE Input image size--viewVisualize image and mask --no-save Do not save the output masks --conf-thresh CONF_THRESH Confidence thresholdformask

结果

以下是不同损失函数的Dice Score结果：