在我前面的文章中有基于改进的模型开发的裂缝裂痕检测模型，感兴趣的话可以看下：

《基于yolov5s+bifpn实践隧道裂缝裂痕检测》

今天主要是趁着有时间基于deeplabv3来实践裂缝裂痕分割。首先来看效果图：

 为了整体直观，这里专门是开发了对应的界面，方便使用的。

完整项目截图如下所示：

 下表是对整个项目中各个文件的介绍说明：

datasets目录如下所示：

 JPEGImages为原始图像数据目录。

SegmentationClass为mask图像目录。

modules为网络定义模块目录，如下所示：

 results为结果目录，如下所示：

 设置每个epoch都会存储一次最新的权重文件，方便自己随时使用。

utils目录主要是存储公共组件模块，如下所示：

 weights用于存储预训练的权重文件，这里的预训练模型来资源公开数据集训练得到。

model_structure.png是绘制出来的deeplabv3的网络结构图，如下所示：

inference.py是离线推理模块，核心实现如下所示

def singImgInfer(pic_path="test.jpg", save_path="result.jpg"):"""单张图像推理"""try:print("Loading Image From: ", pic_path)image = Image.open(img)resImg = deeplabv3.detect_image(image)resImg.save(save_path)print("Saving Image To: ", save_path)except Exception as e:print("Exception: ", e)

如果想要批处理也可以用下面的：

def batchImgsInfer(picDir="test/", saveDir="result/"):"""批量图像推理"""if not os.path.exists(saveDir):os.makedirs(saveDir)pic_list = os.listdir(picDir)print("pic_list_length: ", len(pic_list))for one_pic in tqdm(pic_list):one_path = picDir + one_picprint("Loading Image From: ", one_path)one_img = Image.open(one_path)one_resImg = deeplabv3.detect_image(one_img)one_resImg.save(saveDir + one_pic)print("Saving Image To: ", saveDir + one_pic)

我是在本地cpu模式下运行的推理计算，整体来看速度并不是很快大概在1s左右。

guiAPP.py模块时开发的界面模块，能够将离线推理过程以可视化的形式展示出来，实例如下：

启动界面：

 上传图像：

 分割推理：

 因为数据集没有很多，训练的epoch次数也只有100左右，所有有些效果就不是很好，如下所示：

 后期自建数据集获取到更大数据量后可以重新迭代训练，效果也会有所提升。