转置卷积-CBAM-Segformer结合迁移学习的桥梁裂缝识别：首次将CBAM与转置卷积整合进Segformer架构

桥梁检测

为解决上述问题，本研究提出了一种融合卷积块注意力模块（CBAM）、转置卷积和Segformer的桥梁裂缝识别与分类模型。结合困难-简单样本划分预处理和迁移学习策略，实现了裂缝识别准确性和训练效率的双重提升，如图1所示。本文的核心贡献如下：(1) 本文首次将CBAM和转置卷积整合到Segformer架构中。本文通过通道-空间注意力增强关键特征，并用可学习的转置卷积替换双线性插值以减少上采样过程中的信息丢失，形成了特征增强与精确恢复的双重优化机制。(2) 本文提出了一种基于裂缝像素比例的困难-简单样本划分策略。该策略通过剔除无效的低裂缝像素比例样本来缓解数据不平衡问题，提高了模型对有效裂缝的识别敏感度。(3) 本文采用迁移学习方法，利用道路裂缝数据对模型进行预训练。这是因为道路裂缝与桥梁裂缝具有相似性，一方面增强了模型的泛化能力，另一方面提高了模型的识别效率。

本文各章节安排如下：第1节介绍研究背景和意义，并回顾现有主流语义分割模型的原理和应用现状。第2节介绍数据集构建、困难-简单样本划分过程以及迁移学习的实施细节。第3节详细介绍改进后Segformer模型的结构设计、评估指标和训练策略。第4节通过收敛性分析、消融实验和对比实验验证模型性能。第5节总结研究成果并展望未来改进方向。

**章节片段**

**原始数据**

我们的团队在杭州使用智能手机和无人机采集了各类桥梁的裂缝数据，即钢结构桥梁、混凝土桥梁和钢-混凝土桥梁的裂缝数据。数据集包含近10,000张图像[47]，如图2所示。其中，我们将从钢结构桥梁采集的裂缝数据定义为钢桥裂缝（s.jpg），而来自其他类型桥梁的裂缝数据定义为混凝土桥裂缝（c.jpg）。数据集包含2036个钢桥裂缝样本。

**Segformer模型**

在深入探讨Segformer模型之前，有必要先介绍Transformer模型。Transformer模型包含编码器和解码器，涵盖编码和解码元素[53, 54]。Segformer将Transformer与轻量级多层感知机（MLP）解码器相结合。

SegFormer 展现出两个关键特征 [55]：(1) SegFormer 模型采用了一种新颖的分层结构——Transformer 编码器，该编码器消除了对位置编码的需求。这使得它能够……

迁移学习对模型收敛的影响

迁移学习对模型的影响不仅限于加速收敛，它还扮演着提高精度、提升训练稳定性以及增强小样本泛化能力的关键角色。具体而言，在训练稳定性方面，通过 HRCC 数据集的预训练，迁移学习提供了更好的初始参数。这避免了梯度消失和爆炸问题，在训练过程中将训练损失和验证损失的波动范围减少了 40% 以上，如图……所示

结论

在本文中，我们提出了一种融合转置卷积、CBAM 和 SegFormer 模型的裂缝识别与分类模型，该模型可提高裂缝识别和分类的精度。我们还在裂缝数据预处理中集成了迁移学习以及难易样本划分策略，这提升了模型在裂缝训练和预测中的计算效率。因此，所提出的模型取得了显著的改进……

CRediT 作者贡献声明

杨丁：写作——审阅与编辑，写作——原始草稿，监督，方法论，调查研究，基金获取。叶小伟：写作——审阅与编辑，监督，资源，项目管理，调查研究，形式分析。张弘：监督，软件，方法论，基金获取，数据整理，概念设计。倪平河：监督，方法论，调查研究，形式分析，数据整理，概念设计。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

致谢

本文所述工作得到了国家自然科学基金委员会（资助编号：52408349）、浙江省自然科学基金（资助编号：LQN25E080020）、杭州市自然科学基金（资助编号：2025SZRJJ0547）以及山地桥隧工程国家重点实验室（资助编号：SKLBT-2210）的联合资助。

数据声明

支持本研究结论的部分或全部数据、模型或代码可获取自

杨丁 | 叶小伟 | 张弘 | 倪平河

---

▶ 来源：生物通（转置卷积-CBAM-Segformer研究）
▶ 原文标题：转置卷积-CBAM-Segformer结合迁移学习的桥梁裂缝识别：首次将CBAM与转置卷积整合进Segformer架构
▶ 原文链接：https://www.ebiotrade.com/newsf/2026-10/20261003090138142.htm
▶ 转载时间：2026-10-08