详情

原文传递基于深度学习的道路裂缝检测

论文题名：	基于深度学习的道路裂缝检测
关键词：	道路裂缝检测;深度学习;边缘检测;语义分割;联邦学习
摘要：	随着道路交通的快速发展，人们对道路养护的需求不断增加。传统的人工路面检测对人员、时间和安全等的要求较高，且受主观判断的影响。由于计算机视觉的发展，人们不断努力地探索应用计算机视觉技术进行道路异常检测，自动化道路裂缝检测的预测结果可以作为辅助材料帮助检测人员进行检测和判断。然而，裂缝检测任务模型的训练离不开大量且丰富的数据。现有的裂缝检测虽然通过大规模的数据收集或直接共享数据集中训练模型来实现模型性能的提升，但是在数据共享网络传输的过程中，数据安全面临巨大的风险和挑战。此外，大规模的裂缝检测数据收集存在以下问题：1）机器学习公司数据保密性较强，私有数据是不能公开的；2）使用多无人机、智能车和移动端进行地面裂缝采集在节省时间的同时，图片可能会涉及到隐私信息；3）单机训练需要巨大的时间成本和数据存储容量。　　本文基于深度学习和联邦学习方法，对道路裂缝数据进行建模和分析，主要研究工作和成果如下：　　一、由于裂缝不规则的形状、复杂的背景，目前裂缝检测存在细小裂缝定位不准确以及裂缝边界模糊的问题。本文从裂缝图像数据特征出发，结合深度学习模型强大的深度特征提取能力，构建了一个有效的神经网络SFIAN，选择性地融合各阶段多尺度有用特征，并对不规则裂缝目标进行建模，提高了检测准确率。本文在5个数据集上进行了实验，结果表明该模型用于道路裂缝检测的有效性和实用性，其检测精度F1值高于基线约13.3％。　　二、针对上述数据收集存在的问题，以便更好地提升模型性能、将模型应用在资源有限的设备上，本文基于SFIAN提出了一种轻量级裂缝检测模型SFIAN+，降低了模型的复杂度，减少了模型内存占用。并且通过具有数据保护的联邦学习算法对模型进行训练，最后得到了一种性能良好的基于联邦学习的道路裂缝检测模型。SFIAN+模型参数和模型占用内存大小相对于SFIAN模型分别减少了67.6%和67%。此外，本文对将联邦学习与裂缝检测相结合进行首次研究，达到较好预测结果，有望在工业上实现良好的应用。
作者：	何甜
专业：	网络空间安全
导师：	陈胜勇;石凡
授予学位：	硕士
授予学位单位：	天津理工大学
学位年度：	2023