原文传递
基于深度学习的沥青路面裂缝识别方法研究
| 论文题名： | 基于深度学习的沥青路面裂缝识别方法研究 |
| 关键词： | 沥青路面;裂缝识别;深度学习;Mask-rcnn;U-net |
| 摘要： | 沥青路面裂缝是沥青路面主要和常见病害之一，若能在沥青路面裂缝出现的早期进行检测与识别，并及时对其进行养护，则能有效提升道路的路用使用质量、延长路面的使用寿命。随着现代科学与信息技术的高速发展，路面病害自动采集设备及分析技术随之得到了一定的应用与发展，但基于AI深度学习的沥青路面病害识别方法研究较少。本文主要研究采用AI深度学习方法识别沥青路面裂缝，为有效提高对裂缝图片的识别精度与效率、减少沥青路面维护成本提供一种新的研究方法。 本文深入分析了人工神经网络和卷积神经网络两种深度学习理论方法，优选出采用卷积神经网络作为沥青路面裂缝特征识别的基础理论方法。在此基础上，选用了目前深度学习领域中图像识别效果较好的2种算法模型：U-net图像语义分割算法模型、Mask-rcnn目标检测与分割算法模型，对工程中路面综合质量检测车采集到的沥青路面裂缝图片进行了训练，得到了识别模型，并在测试集上进行了识别、预测与优选，研究得到以下主要结论： （1）基于U-net图像语义分割算法模型进行了沥青路面裂缝识别训练，开展了沥青路面裂缝特征及其相应权重参数分析，结果表明该算法模型对沥青路面裂缝识别效果好、预测能力强、鲁棒性强。案例分析表明，该方法识别裂缝类别的准确度高达97.4%、平均交并比偏低为49.9%、总损失值1.4%。 （2）基于Mask-rcnn目标检测与分割算法模型进行了沥青路面裂缝识别训练，开展了沥青路面裂缝特征及其相应权重参数分析，结果表明该算法模型对沥青路面裂缝识别效果好、预测能力强、鲁棒性强。案例分析表明，该方法识别裂缝类别的准确度高达99.7%、平均交并比高达85.6%、总损失值6.2%。 （3）对比分析U-net与Mask-rcnn算法模型对沥青路面裂缝识别特点、识别效果发现，两种沥青路面裂缝识别方法的准确率均较高，高于国内外现有沥青路面裂缝识别方法准确率（文献表明最高约92.6％）。但Mask-rcnn目标检测与分割算法模型在裂缝识别过程中，增加了对裂缝的目标检测分支任务，能有效框选及定位图片中的裂缝，由于识别步骤增加、识别总损失值有所增加，但整体上识别准确率更高、预测能力更强、鲁棒性更强。 综上所述，Mask-rcnn目标检测与分割算法模型在沥青路面裂缝图像的预测与识别上的表现更为优秀。 |
| 作者： | 周晨阳 |
| 专业： | 建筑与土木工程 |
| 导师： | 聂忆华;宋小金 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南科技大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
