原文传递
基于深度学习的路面裂缝检测算法研究
| 论文题名： | 基于深度学习的路面裂缝检测算法研究 |
| 关键词： | 路面裂缝检测;深度学习;神经网络;YOLOv3算法;多尺度特征融合 |
| 摘要： | 公路的路面在日常生活中易于受到车辆和环境因素的影响，从而道路表面会出现各种路面病害，这些路面病害会导致公路的承载性能下降，甚至会严重影响公共交通安全，给人们的安全出行埋下隐患。为此，公路管护部门定期开展路面病害检测工作，尤其需要对路面裂缝这类病害进行检测。本文将深度学习理论引入到路面裂缝检测中，以路面裂缝为研究对象，建立了较为完备的基于深度学习的路面裂缝检测方案，确定了以目标检测技术和图像分割技术相结合的路面裂缝检测方案，提出了基于改进YOLOv3神经网络模型的路面裂缝检测算法和基于多尺度特征融合的scSE-Res2UNet路面裂缝检测算法，对道路路面裂缝的检测和治理有一定的指导意义。主要工作和研究内容如下: (1)建立了基于深度学习的路面裂缝检测方案。本文深入分析了路面裂缝成因类型及深度学习相关理论，详尽研究了真实场景道路图像数据集和路面裂缝相关数据集，提取了相关的道路路面裂缝的特征，从而构建了基于深度学习的路面裂缝检测方案。 (2)基于改进YOLOv3神经网络模型的路面裂缝检测算法研究。本文在研究路面裂缝目标检测技术的基础上，提出了基于改进YOLOv3神经网络模型的路面裂缝检测算法，通过采用one-stage目标检测算法定位复杂环境中的路面裂缝，添加SPP模块提取多尺度路面裂缝特征，引入CBAM注意力机制增强裂缝特征并抑制无关噪声，以达到复杂场景下路面裂缝的精准快速定位。通过Global Road Damage真实场景道路的仿真实验，验证了文中改进YOLOv3方法的有效性。 (3)提出了基于多尺度特征融合的scSE-Res2UNet路面裂缝检测算法。本文在研究路面裂缝分割技术的基础上，提出了一种基于多尺度特征融合的scSE-Res2UNet路面裂缝检测算法。通过构建基于编码器解码器结构的scSE-Res2Unet网络模型，结合残差连接结构、多尺度特征模块和挤压-激发注意力机制以达到提高模型的检测性能和分割精度。通过对the Crack dataset路面裂缝图像数据的实例分析，证明了该方法的可行性。 |
| 作者： | 谢晓曦 |
| 专业： | 计算机科学与技术 |
| 导师： | 爨莹 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安石油大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
