引言
随着科技的进步，工业领域对于智能化和自动化的需求日益增强。沥青拌合站作为道路建设中的关键设备[1]，其智能化和自动化水平的提升对于提高道路建设效率、保证建设质量以及降低运营成本都具有重要意义。
目前，沥青拌合站混合料装车的状态主要依靠人工监测，这种监测方法不仅效率低下，而且容易出现误差[2]。此外，工人长期工作在沥青烟气的环境中，严重影响其身心健康。随着计算机技术的发展，基于深度学习的语义分割技术逐渐应用到沥青拌合站混合料装车的状态识别。Wang等[3]提出了M-DeepLabV3+模型对沥青拌合站混合料装车图像进行语义分割，通过计算料堆最高点与车辆挡板的高度差判断车辆是否装满，实现了深度学习在沥青拌合站混合料装车状态识别上的首次应用。李许峰等[4]提出一种轻量级的语义分割网络S-DeepLabV3+，将原DeepLabV3+的主干网络Xception替换为ShuffleNetV2，实现了沥青拌合站装车的自动化监测。以上方法虽然对沥青拌合站混合料装车状态的智能识别做出了贡献，但都存在语义分割mIoU值较低、检测速度较慢等问题。
针对上述问题，本文对U-Net[5]模型进行改进，提出了一种轻量化模型RCS-UNet。首先在U-Net网络中加入残差连接[6]以缓解梯度消失的问题，其次加入CA注意力机制[7]提高模型的特征提取能力，最后将U-Net网络中的标准卷积修改为深度可分离卷积[8]以减小模型体积，提高模型的检测速度。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006390
作者信息：
李东丽1，成高立1，郭涛2，夏晓华2
（1.陕西高速机械化工程有限公司，陕西 西安 710038；
2.长安大学 道路施工技术与装备教育部重点实验室，陕西 西安710064）
