原文传递
无人机连续道路图像病害智能识别研究
| 论文题名： | 无人机连续道路图像病害智能识别研究 |
| 关键词： | 道路病害检测;深度学习;图像处理;道路评价 |
| 摘要： | 近年来，无人机因姿态操控灵活、体积小巧而广泛应用于工程地质勘察及道路选线。通过操控无人机在单次飞行中采集多幅道路图像，可有效提升路表病害检测效率，弥补检测车在作业中检测范围覆盖有限的缺陷。本论文以无人机飞行载具为道路图像采集装置，研究无人机连续道路图像采集与拼接、批量道路图像自动化病害目标检测、病害区域像素级形态特征提取、道路病害尺寸提取。综合应用上述研究成果，形成一套道路图像采集与评价流程。 首先，结合无人机采集装置硬件参数公式化分析无人机飞行高度、无人机飞行速度、采样精度、采样间隔、快门速度等采集飞行参数，给定无人机飞行参数计算表达式和飞行参数参考值表。在执行道路图像采集任务时，可根据上述成果输入飞行参数，提高采集作业效率。另一方面，基于SIFT特征点匹配算法将序列化道路图像拼接为连续道路图像，在保证病害区域解析力不缺损的情况下，去除序列图组重复拍摄的冗余信息，形成高分辨率无人机连续道路图像数据库。 其次，基于深度神经网络建立批量道路图像的病害目标检测模型，目标检测模型可对未参与训练的检测集样本自动以边界框Boundingbox标定病害区域，包括横向裂缝、纵向裂缝、块状裂缝、龟裂、坑槽，可同时实现病害分类和确定病害位置。本论文针对道路病害识别工况，①通过改进位置回归损失CIOU_loss得到损失函数改进公式，②以EfficientNet-B5替换Yolov5的原生主干特征提取网络CSPDarknet，形成本研究优化模型（EfficientNet-B5-Yolov5）。实验证明本研究优化模型平均精确率、平均召回率及mAP:0.5分别为0.801、0.665、0.739，显著优于对照模型。 再次，从两个层面实现道路图像中各类别病害的像素级分割，分别为基于深度学习模型的自动量化提取和可变参数可视化手动量化提取。一是基于U-net语义分割模型建立VGG16-U-net和Resnet34-U-net，进行模型训练和测试样本平均精度测试，VGG16-U-net模型Dice值和Jaccard值较Resnet34-U-net模型高16.75％、21.14%。VGG16-U-net模型在细微裂缝提取能力上优于Resnet34-U-net模型。二是结合实际应用工况，基于Opencv库开发可变参数裂缝量化增强提取交互界面，通过均值滤波、双边滤波裂缝增强、USM图像锐化、Canny检测算子、形态学闭运算、非裂缝特征簇剔除实现裂缝提取。可通过人工调节滑动条，动态调节裂缝提取各参数值，观察裂缝提取结果变化趋势，实时控制达到裂缝提取达到最优结果。 最后，结合上述病害提取模型和现行道路病害评定规范，根据道路尺寸比例尺确定病害实际尺寸，调整路面破损率DR公式。形成无人机连续道路图像病害库。 |
| 作者： | 柳雨豪 |
| 专业： | 交通运输工程;道路与铁道工程 |
| 导师： | 黄晓明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
