详情

原文传递基于深度学习的路面病害自动检测及评估方法研究

论文题名：	基于深度学习的路面病害自动检测及评估方法研究
关键词：	路面养护;病害检测;图像分类;深度学习
摘要：	道路作为支撑国民经济、政治和文化等发展的重要基础设施，是现代交通运输体系的重要组成部分。随着我国大量道路的投入使用，伴随着交通荷载和自然因素的影响，路面裂缝、坑槽和沉陷等各种病害逐渐产生。这些病害严重影响了道路的运输能力、使用年限以及行车安全等，致使道路的承载能力越来越低，维修养护问题日益突出。在目前的路面检测方法中，传统的检测方法主要依靠人力，费时费力，效率不高，且容易引起交通堵塞，存在着巨大的安全问题。而另外一种车载路面检测系统，虽然检测精度较高，但存在检测设备昂贵、数据传输困难、技术标准不统一等不足，且检测对象主要集中在裂缝类病害，对其他病害类型检测较少。另一方面，深度神经网络良好的特征提取能力，使得深度学习技术在各行业中的应用逐渐广泛。因此，基于深度学习技术，探索寻求一种更加便捷、高效的路面病害自动检测及评估方法，具有重要的现实意义。　　本研究将深度神经网络引入到路面病害的检测及评估研究中，结合《公路技术状况评定标准》（JTG5210-2018），提出了一种特有的方法思路。本研究通过多种采集设备、多种拍摄方式对镇江市的横向裂缝、纵向裂缝、修补、块状裂缝、坑槽以及松散这6类典型频发的病害进行了采集，并通过预处理和网络模型搭建、训练，实现对路面图像的分类、路面病害的检测以及路面损坏程度的评估。此外，本研究基于实际道路场景，对本研究所述路面病害检测及评估方法进行了测试。本研究主要工作如下：　　（1）构建了用于深度学习的路面图像数据集　　本研究基于采集的路面图像以及特征分析，通过匀光处理、平滑去噪和图像增强三种方法对采集图像进行了预处理工作，以便尽可能减少路面噪声、阴影、光照等干扰因素的影响，从而突出路面病害的特征。经过预处理后，通过手动标注，构建了路面图像数据集，得到了卷积神经网络模型的数据基础。　　（2）设计了一种基于卷积神经网络的路面图像分类方法　　为了提高路面病害检测的效率，提出了对不含病害的正常路面和含有病害的损坏路面两类路面图像进行分类的路面图像分类方法，并构建了分类网络模型。通过模型训练与验证，得到了正常路面89.7%精确率、86.9%召回率、88.3%F1-Score，损坏路面91.3%精确率、84.7%召回率、87.9%F1-Score的测试结果。实验结果表明，路面图像分类模型的特征学习能力和整体性能较好。　　（3）设计了一种基于目标检测模型的路面病害检测方法　　在分类完成的基础上，本研究通过目标检测模型来实现对损坏路面图像的病害检测。本研究采用2400张路面图像训练检测模型，训练得到存在路面病害图像的召回率为70.5%，正常路面图像的召回率为71.2%；预测为存在病害和正常路面的精确率分别为82.8%、55.4%，平均精确率（AP）为72.5%，说明本研究提出的方法对路面图像的病害检测具有合理性和可行性。　　（4）设计了一种基于语义分割的路面损坏程度评估方法　　在路面病害检测的基础上，本研究还设计了一种路面损坏程度评估方法。通过语义分割，提取计算病害区域图像的像素面积，再通过坐标单位转换关系，将像素面积转化为实际面积，结合《公路技术状况评定标准》（JTG5210-2018），对路面损坏程度进行快速便捷的评估。通过对SegNet网络进行训练，在测试集上得到了0.8517的像素准确率、0.5978的平均准确率和0.5840的平均交并比，说明了模型用于路面病害图像语义分割的可行性。　　此外，为检验所提方法在实际道路环境下的可靠性与实用性，本研究基于上述方法，对本方法进行了测试与讨论。本研究在不同时段、不同路段、不同天气以及不同光照条件下采集了4条路段的路面图像，并按本研究所述方法，对不同方法进行了分步测试。测试结果表明，本研究提出路面病害检测及路面损坏程度评估方法，不仅能够检测出损坏类型，而且通过面积转换能够更高效的来计算指数，为路面损坏信息的检测与评估提供了创新思路，对路面病害快速、高效检测及评估，具有一定的指导和应用价值。另一方面，本研究提出的方法整体识别准确率与《公路技术状况评定标准》（JTG5210-2018）中应达到的90%识别准确率仍有一定差距，本研究也基于此探讨了本方法在实用性与可靠性方面的不足，提出了未来改进的方向。
作者：	李宇宏
专业：	建筑与土木工程
导师：	韩豫
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2020
正文语种：	中文