原文传递
基于深度学习的路面损伤检测模型研究
| 论文题名： | 基于深度学习的路面损伤检测模型研究 |
| 关键词： | 卷积神经网络;路面损伤检测;特征融合;轻量级网络 |
| 摘要： | 近年来我国的道路建设依然保持着上涨的趋势，我国是全世界拥有道路里程最长的国家，公路交通大大方便了国民的出行，而保持一个良好的路况需要做好道路养护工作，如何在节省人力物力的情况下对道路的损伤进行检测定位是其中一个关键问题。随着相关技术的逐步发展，传统的道路检测方式缺点慢慢显现。近年来深度学习技术与计算机视觉技术快速发展并被应用在了各个领域，可以大大提高图像任务的处理效率，针对路面损伤检测的问题，本文基于深度学习的相关理论知识提出了一种路面损伤检测模型。主要研究内容如下: (1)研究了目前路面损伤检测的国内外现状，分析了路面损伤的多种类型及特点，针对当前路面损伤的图像特征以YOLOv3网络模型为基础，将轻量化卷积神经网络MobileNetv3融合到YOLOv3网络，将其中的标准卷积替换，实现了一个轻量化的网络模型，保留了多尺度特征融合结构，较原模型相比减少了参数量，加快了模型的检测速度。 (2)针对搭建的YOLOv3-MobileNetv3网络模型，分析了原模型损失函数的缺点。为提高路面损伤检测的效率，提出将损失函数优化为焦点损失与DIoU损失结合，在不引入过多参数的情况下提升了模型精度。此外针对路面损伤检测任务中对小尺度目标不敏感的特点，将网络的特征融合结构进行了改进，删除了小尺度融合结构，进一步提升了模型的计算速度。 (3)针对模型的轻量化，提出了一种融合缩放因子的BN层通道剪枝与层间剪枝结合的方法，既避免了网络在训练过程中出现的梯度下降问题，又保留了缩放因子的作用，在不增加过多计算量的同时完成对网络模型的压缩。将网络模型的权重参数量大大削减，而且避免了模型的过多的精度损失。 最后，用本文制作的路面损伤数据集完成了模型的训练测试，然后进行了多次对比实验，验证了各部分优化的效果。将本文提出的模型同原模型进行综合对比后，表明了本文提出并优化后的模型具有更小的体积和更快的计算速度，降低了算法的硬件要求，对小型计算设备有了更好的适应性。 |
| 作者： | 李文涛 |
| 专业： | 计算机技术 |
| 导师： | 张国印;刘青 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
