原文传递
基于深度学习路面质量评估的研究和实现
| 论文题名： | 基于深度学习路面质量评估的研究和实现 |
| 关键词： | 路面养护;破损检测;质量评估;迁移学习 |
| 摘要： | 公路是衡量每个国家基础建设的标准之一，也是国家民生和经济发展的重要保障。因此，路面的质量评估过程成为后续对其进行养护和维修的必要条件。在这其中，路面的各种破损现象（如裂缝、坑洞和凹陷等）被作为路面质量评估的相关类别，所以对其进行高效而准确的检测成为了路面质量评估中的重要环节。同时，它也逐渐发展为目标检测领域的关键性问题之一。对比传统的人工探测，自动化检测的评估标准更可靠且检测效率也更高效，然而由于成本限制，大多数昂贵的检测设备并不适合所有检测部门以及不同等级的路面质量评估标准。近年来，随着各种便携式智能设备的更新换代，使得移动端设备的部署进行目标检测成为了可能。 本文以移动端部署检测的良好实时性和优越的检测性能为目标，对YOLOX进行了轻量型的优化与改进。首先，本文对部分图像数据进行了双边滤波、光照及对比度增强等预处理以便在后续训练过程中能更好地获取检测目标的特征。另外，针对图像样本类别和数据不足的问题，本文采取了新的数据增强方式——CGAN，确保网络在训练过程中能学习到更多有效特征，从而提升网络的检测性能；其次，由于ShuffleNet v2相同输入下具有优秀的参数量和准确度，分别为6.01MB及75.29%，因此本文将YOLOX中原有的CSPDarkNet主干网络替换为ShuffleNet v2，同时将多个3x3卷积核优化为5x5卷积核，不仅使得网络的感受野增加，而且网络模型的大小从原来的5846.73MB降低为179.81MB，准确度从65.41%升高为75.29%；另外，还利用了Focal Loss损失函数来解决检测类别的失衡问题，最终使得网络在9个路面破损类别上的MAP达到66.54%，较原始YOLOX的MAP提升了近5%，部分类别如D20（发散裂纹）和D43（人行道破损）的精准度达到90%和93%，同时召回率也分别达到60%和85%，较传统的目标检测网络SSD等都有了近20%的提高，它们也是我国路面破损检测项目中重点关注的几个现象。 最后，本文通过迁移学习进行了实际场景移动端的实时检测过程，检测的FPS达到29.7，顺利完成了实际路段的质量评估过程，这也为未来的路面养护工程提供了良好的数据支撑与优秀的维护决策。 |
| 作者： | 许洁 |
| 专业： | 电子与通信工程 |
| 导师： | 杨帆 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
