详情

原文传递基于无人机图像与深度学习的路面病害识别研究

论文题名：	基于无人机图像与深度学习的路面病害识别研究
关键词：	路面病害;计算机视觉;无人机图像;卷积神经网络;语义分割
摘要：	路面表面病害影响路面行车的舒适及安全性，为提高路面病害检测的频率及效率，急需研究全自动化的路面病害检测方式，实现大规模路面病害检测并及时进行养护维修，提高路面的使用年限。目前采用多功能道路检测车进行路面病害年检，检测频率低、成本高，无法实现路面病害的周期性高频检测，难以及时发现破损严重的路面病害，错过路面病害的最佳养护时期，增加养护维修成本。且道路检测车搭载大型检测传感设备，无法同时获取多车道的路面状况信息，因此急需一种轻量化检测设备完成路面自动化巡检。无人机作为一种便携、灵活机动的飞行设备被广泛用于交通基础设施检测，通过搭载高清工业相机结构健康状况信息，进行健康状况检测。　　无人机以一定高度拍摄路面图像，无人机的飞行参数会影响成像质量，进而影响路面病害识别精度。但目前缺乏飞行参数的研究，而是通过人工经验设置无人机飞行姿态信息，无法满足高空路面病害的识别准确率。并且目前自动化识别算法的通用性差，无法在不同路面结构及路面状况下进行识别分析。本文基于无人机搭建路面病害检测平台，进行路面病害的采集。并基于深度学习方法，搭建路面表面病害识别模型，进行多类路面表面病害的分类、定位、分割、测量、统计，评价路面健康状况。　　首先研究无人机的飞行高度及飞行速度，保证路面病害图像具有充足的识别分辨率，防止图像产生运动模糊。无人机视野下的路面病害具有小目标特性，且病害种类不均衡，严重影响路面病害数据集的建立。通过采用复制-粘贴的小目标增强方式，提高路面病害的分布均衡性及类别多样性。由于全尺度路面病害图像不利于小目标病害的识别，因而需对无人机采集的路面病害图像进行预处理，通过Padding边缘填充的方式防止路面病害图像放缩时扭曲失真，并裁剪为512大小的尺度建立沥青路面病害数据集UAPD(UAVAspahltPavementDistressDataset)。　　然后针对于路面病害尺寸分布不均衡、识别精度不高的问题，采用YOLOv3多尺度路面区域级识别模型进行路面横向裂缝、纵向裂缝、龟裂、斜向裂缝、坑槽及修补的识别、定位。研究不同锚框组合的病害定位精度，不同特征提取网络的病害提取能力，进行路面病害区域级识别网络模型的结构组合设计，完成路面病害的分类及数量统计工作。结果表明，基于DarkNet53主干特征提取网络的YOLOv3六种路面病害平均识别精度为56.6％，可以满足路面病害识别要求。　　在完成路面病害的定位后，还需进行路面病害形态的分割提取，进而完成路面病害状况的评价。针对路面裂缝分割结果不连续、多场景状况下的泛化能力差的问题，提出W-segnet多特征融合语义分割模型，利用路面病害低阶位置信息及高阶语义分类信息，实现路面裂缝、修补及坑槽的像素级分割，提高路面病害在晴天、阴影区域及路面潮湿区域下的像素级分割精度。结果表明，基于编码-解码结构的路面病害分割模型W-segnet在UAPD路面病害测试集中MPA为87.52%，MIoU为75.88%，优于对比模型，实现路面裂缝、坑槽及修补的高精度像素级分割。　　最后，为实现路面破损率的计算，完成路面状况的评价，需进行路面病害几何特性的量化计算，完成路面病害信息统计。针对于目前病害形态研究的不足，病害形态不精准，自动化评价规范不完善的问题，采用外接正矩形、最小外接矩形、凸包多边形进行路面龟裂的边界拟合，解决龟裂计算边界不贴合的问题。采用龟裂连通域极点坐标计算路面龟裂块度，弥补了路面龟裂块度自动化计算的缺陷，并对比人工实测验证基于图像的路面病害统计的准确率。结果路面病害宽度、长度及面积的平均相对误差为-0.931%、-1.160%和0.573%，满足工程实践要求。　　综上所述，本文的研究成果可提高路面病害全自动检测水平，实现多维、高频的轻量化路面病害检测，可推动建设智慧公路建设，推动先进信息技术应用，逐步提升公路基础设施养护、运行管理的全要素、全周期数字化水平。
作者：	钟靖涛
专业：	交通运输工程;道路与铁道工程
导师：	张伟光;吴春颖
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022