原文传递
面向路面病害检测的YOLO算法改进研究
| 论文题名： | 面向路面病害检测的YOLO算法改进研究 |
| 关键词： | 路面病害;目标检测;神经网络;YOLO算法 |
| 摘要： | 2010年以来，中国公路总里程数逐年增加，截止到2019年末，全国公路总里程达501.25万公里。由于长期处于复杂的天气条件和重载荷环境下，公路路面病害频发，2019年中国公路养护里程达495.31万公里，占公路总里程98.8%。同时，在路面病害检测领域，传统的人力检测和数字图像处理方法成本高、耗时长、准确率低，极端情况下甚至会影响交通正常行驶，已经越来越不适用于路面病害检测工作。 针对以上存在的问题，提出一种基于深度学习的路面病害检测方法，使用目标检测领域兼具速度和精度的一阶段目标检测YOLO（You Only Look Once）算法，设计并实现一种网络模型，实现对路面病害的检测。为了提升YOLO模型在精度上的表现效果，首先使用Kmeans算法对标注的边界框进行聚类，获得更适合的先验框；针对算法损失函数中IOU（Intersection Over Union）指标不能精确地反映两个框之间的重合程度的问题，提出使用CIOU（Complete-IOU）损失函数替换原始损失函数中的回归损失部分，CIOU损失函数将两框的重叠区域面积、中心点距离和长宽比一致性都考虑在内，目标框的回归过程更加稳定；针对算法中的Leaky ReLU激活函数不够平滑，信息难以深度流动的问题，使用Mish激活函数对其进行替换；最后为了更好地将局部特征与全局特征相融合，借鉴空间金字塔的思想，在模型中嵌入SPP（Spatial Pyramid Pooling）结构，丰富特征图的表达能力。 使用改进后的YOLOv3算法对路面上最常见病害，包括横向裂缝、纵向裂缝、网状裂缝、松散沉陷拥包等，以及特殊的路面设施状况，包括人行横道白线模糊、路面标志白线模糊、公共设施孔等进行检测，实验结果表明，改进后的YOLOv3算法在路面病害数据集上mAP值相较与原算法从50.53%提高到了57.41%，精度得到了提升，验证了改进策略的有效性，改进后的算法更能满足路面病害的检测需要。 |
| 作者： | 王凯杰 |
| 专业： | 软件工程 |
| 导师： | 沈刚 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中科技大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
