基于深度学习的路面缺陷检测方法研究.pdf
《基于深度学习的路面缺陷检测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于深度学习的路面缺陷检测方法研究.pdf(3页珍藏版)》请在咨信网上搜索。
1、中国新技术新产品2024 NO.4(下)-62-工 业 技 术道路使用过程中产生的表面缺陷会给公路监管和养护带来严重影响,增加事故率,发现越晚,维护成本越高1,因此道路缺陷的检测识别问题亟待解决。早期路面检测主要方式为传统图像处理技术和手动检测,方法费时、费力,精度和速度不佳,难以满足实际需求。而人工智能的迅猛发展在一定程度上缓解了上述问题,尤其是深度学习技术,极大提升了识别精度与速度。路面缺陷检测问题的关键是目标检测和图像分割。1 系统结构和原理基于深度学习技术的路面缺陷方法与系统如图 1 所示,具体原理包括以下 4 点。1)采集足量的路面缺陷图像,构建目标检测数据集。对图像进行处理后,构建
2、图像分割数据集,本文使用成熟的数据集。2)建立目标检测模型和图形分割模型。采用 YOLOv5 方法构建目标检测模型,采用 U-MDN方法构建图形分割模型。基于目标检测数据集和图像分割数据集进行模型准确性验证。3)基于图像分割数据集进行路面缺陷轮廓提取。4)根据常规路面缺陷量化评定方法,进行长度、宽度、方向和面积等路面破损指标计算,对路面进行健康状况评定。2 路面缺陷目标检测建模路面缺陷图像目标检测是系统的关键环节,可以减少后续图像分割的计算量。YOLO 算法为经典路面缺陷图像采集方法,其中经过多次迭代的 YOLOv5 算法较成熟2。2.1 YOLOv5算法原理YOLOv5算法为经典One-st
3、age识别网络,核心为网络化检测,通过将图形划分为 FF 个网格并计算目标落在某个网格的概率来完成预测,需要回归目标位置信息和 confidence值。其中,目标位置信息为(ox,oy,ow,oh),confidence 值如公式(1)所示。confidence=prde(Obj)IoUtruth prdeit (1)式中:confidence 值为目标覆盖网格的准确度;pred(Obj)为预测边框预测到某类目标 Obj 的概率,其取值有 1 和 0,其中落在预测边框内时为 1,否则为 0;IoUtruth predict为预测边框与真实边框间的交并比。2.2 YOLOv5算法结构YOLOv5
4、 分为输入端、Backbone 网络、Neck 网络和输出端 4 个部分。输入端完成图形的预处理工作,包括缩放图片为网络输入大小、数据归一化以及数据增强等内容。其中数据增强采用 Mosaic 方式,对图像做随机缩放、剪裁和排布后进行拼接。数据增强完成后计算自适应锚框。Backbone 网络负责图像特征提取,提取图像深度语言信息并供 Neck 网络使用,公开 Focus 和 CSP 共 2 个结构。其中,Focus 结构用于图像切片操作,以加快训练速度,CSP结构用于提高卷积神经网络学习能力,降低计算量。Neck 网络负责对提取的特征进行深度融合,包括特征图金字塔网络(Feature Pyram
5、id Network,FPN)和路径聚合网络(Path Aggregation Network,PAN)2 个结构。FPN 将深层特征携带的语义信息传递给浅层特征,PAN 将浅层特征的定位信息传递给深层,增加信息丰富性。输出端采用耦合式输出。其中分类损失和置信度损失均采用 BCE_Loss 损失函数,如公式(2)所示,定位损失采用CIoU_Loss 损失函数,如公式(3)所示。BCE_Loss=-(ylog(p(x)+(1-y)log(1-p(x)(2)式中:p(x)为预测数值;y 为真实数值。CIOULossIoUb bcvgt_,?122?(3)基于深度学习的路面缺陷检测方法研究韩东耀(山
6、东远通公路工程集团有限公司,山东 滕州 277500)摘 要:路面缺陷会给公路监管和路面养护带来严重影响,本文针对目前路面缺陷图像采集方法成本高、效率低的问题,提出一种基于深度学习的路面缺陷检测方法。该方法包括目标检测和图像分割子系统,其中,目标检测使用 YOLOv5模型来提升路面缺陷位置识别精准率;图形分割使用“U”形多尺度扩张卷积网络(U-Multiscale Dilated Network,U-MDN)来增强路面缺陷深度特征提取。使用目标检测数据集和图像分割数据集进行试验,其中 YOLOv5模型精度为92%;比较 U-Net 模型和 U-MDM 模型,U-MDN 模型的 Precisio
7、n、Recall 和 F1-score 指标综合表现最优,充分证明了该方法对路面缺陷检测具有有效性。关键词:深度学习;路面缺陷检测;目标检测;图像分割;YOLOv5模型;“U”形多尺度扩张卷积网络中图分类号:TP39文献标示码:A图 1 系统结构路面缺陷图像目标检测模型图像分割模型图像分割数据集路面缺陷轮廓提取路面缺陷量化评定方法路面健康状况评定模型准确性目标检测数据集中国新技术新产品2024 NO.4(下)-63-工 业 技 术式中:IoU 为预测边框与真实边框间的交并比;2(b,bgt)为预测框和真实框的中心点的欧式距离;c 为预测框和真实框最小闭包区域的对角线距离;v 为衡量长宽比的一致
8、性的参数,如公式(4)所示;为衡量参数,如公式(5)所示。vwhwhgtgt?422?arctanarctan(4)?vIoUv1(5)式中:arctan()为三角函数;wgt、w 分别为预测框和真实框宽度;hgt、h 分别为预测框和真实框高度。2.3 试验结果与分析2.3.1 试验设置试验基于 Python 的 Keras 框架构建分割网络,并进行训练与测试。电脑配置如下:CPU 为 i7-12700 KF,GPU 为 Nvidia GeForce RTX 3060Ti。为减少其他干扰,同一设置训练批次为16,训练设置 500epoch,初始学习率为 0.01,利用 SGD 优化器来更新网络
9、参数。2.3.2 评价指标和数据集为保证试验的公平性和有效性,采用成熟的路面缺陷数据集 NHA12D,包括 448448=9889 幅,划分训练集 8405 幅,验证集 1484 幅,包括 12 类路面缺陷。本文使用 YOLOv5 模型、YOLOX 模型和 Faster RCNN 模型进行对比试验。将 Precision(精确率)、Recall(召回率)、AP(PR 曲线下面积)、mAP(m 个 AP值的均值)和 F1 score(值越大,表明模型效果越好)指标作为评价标准,各指标均可由 Precision 和 Recall 计算得出,AP 值越大,表明模型效果越好,如公式(6)公式(10)所
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 路面 缺陷 检测 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。