我院硕士研究生王家钰以第一作者身份在国际学术期刊《Applied Soft Computing》上发表了题为“Hybrid synergistic spatial–frequency attention with adaptive fusion for pixel-level pavement crack segmentation”的论文，提出了一种融合空间域与频率域信息的路面裂缝像素级分割新方法CrackMAN。该论文通讯作者为李功权教授，第一署名单位为长江大学地球科学学院。

图1 论文首页

路面裂缝是道路结构病害最早、最常见的问题，若不能及时识别和修复，会加速路面劣化，影响交通网络的服役能力，并带来高昂的养护成本。因此，定期、精准的裂缝检测对路面管理系统和全生命周期养护至关重要。然而，实际采集的路面图像中，裂缝形态细长、对比度低、边界模糊，且易受沥青颗粒、油渍、阴影等复杂纹理和光照变化的干扰。传统图像处理方法依赖人工设定参数，泛化能力不足；而现有的深度学习模型大多仅在空间域建模，忽略了裂缝在高频域上的表征优势，容易出现细小裂缝漏检和背景纹理误检的问题。因此，如何在复杂背景下兼顾。检测精度与计算效率，成为路面裂缝智能识别亟待突破的关键问题

针对上述难题，该研究提出了融合空间—频率协同注意力的分割网络CrackMAN。该网络采用编码器—解码器架构，将裂缝分割从单一空间域拓展到空间域与频率域协同建模：一方面从空间域捕捉裂缝的整体走向、连续性与局部细节，另一方面借助频率域信息突出裂缝边缘的高频特征，从而将裂缝与沥青骨料、油渍等复杂背景纹理有效区分开来。此外，网络引入自适应融合机制，依据边缘置信度动态调整不同特征分支的权重，在锐化裂缝边界的同时抑制背景纹理引起的误检，使模型能够自适应地聚焦缺陷区域，提升复杂场景下的分割鲁棒性。具体而言，空间域与频率域的协同建模使网络既保留了裂缝的整体结构信息，又强化了局部边缘细节；自适应融合机制则进一步依据局部特征动态调节各分支的贡献，使模型在纹理丰富、光照不均的路面场景中仍能稳定地区分真实裂缝与背景纹理，从而在提升检出完整性的同时有效抑制误检。

图2 论文中CrackMAN网络整体结构

在多个公开数据集上的实验表明，该方法的裂缝分割精度优于多种代表性方法。从分割结果的可视化对比来看，面对形态细长、边界模糊、对比度偏低的裂缝，以及沥青骨料、油渍、阴影等复杂纹理和光照变化的干扰，CrackMAN均能更完整地还原裂缝的整体走向与形态，分割边界更加连续、平滑，细小裂缝的漏检和背景纹理的误检均明显减少，展现出较强的抗干扰能力和边界保持能力。研究进一步证实，空间域与频率域的协同建模以及自适应融合机制，是该方法性能提升的关键所在；这一设计使其在面对不同路面类型、不同拍摄环境和不同病害程度的场景时，都能保持稳定的分割效果，具有良好的泛化能力和工程适用性，也为后续的推广应用奠定了坚实基础。总体来看，该方法在多种路面条件下均保持了稳定的分割性能，尤其在复杂背景与病害严重的场景中仍表现出较强的适应性，体现出良好的鲁棒性与工程实用价值。

与此同时，该方法在保证分割精度的前提下具有良好的计算效率，模型结构轻量、推理速度快，具备实时部署能力，能够满足道路巡检的实际工程需求。该方法可为道路病害的自动化巡检和预防性养护提供可靠的技术支撑，对推动道路基础设施数字化、智能化管养具有重要的应用价值，也为相关领域的研究与应用提供了有益借鉴。相关研究思路还可为桥梁、隧道等其他基础设施的表观病害智能检测提供参考。未来，可进一步结合更丰富的多源数据与更轻量的模型结构，持续提升复杂环境下的检测能力。

图3 论文中路面裂缝分割结果对比

论文链接：https://doi.org/10.1016/j.asoc.2026.116258