详情

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;深度学习;卷积神经网络;残差神经网络;特征提取
摘要：	道路养护是公共交通体系日常维护中不可或缺的一部分，路面检测是道路养护的重要步骤，作为最常见的路面破损情况，路面裂缝已成为众多道路检测任务中最主要的检测对象。对不同环境下的路面裂缝进行检测，能够促进路政管理部门和驾驶人员及时了解道路的现实状况，为后续道路养护计划的制定提供科学有效的数据支撑，对道路交通安全指数提升具有重大意义。深度学习技术通过复杂的非线性计算学习到样本特征，拥有大量数据时可取得较好的检测结果。为此，本文基于深度学习技术，提出一种可训练的路面裂缝检测算法，对带有复杂背景线条的路面裂缝进行精确定位。　　首先，论文研究多种常用的图像处理以及相关的深度学习技术，对卷积神经网络和残差网络进行详细的理论分析，给出路面裂缝目标检测的优化思路。　　其次，基于数字图像处理方法对路面图像进行灰度变换，使用灰度阈值分割方法去除路面图像中的道路标志线。采用均值滤波、高斯滤波、中值滤波和自适应中值滤波等方法分别对路面图像进行降噪处理，对比不同滤波方法的处理结果，通过峰值信噪比(PeakSignal-to-NoiseRatio，PSNR)标评估得出，自适应中值滤波PSNR值为30.3，相较于其他三种滤波效果最好。文中使用图像增强方法对路面图像进行二次处理，比较分析直方图均衡化(HistogramEqualization，HE)算法和限制自适应直方图均衡化(ClipLimitAdaptiveHistogramEqualization，CLAHE)算法的路面图像处理结果，指出CLAHE算法提高裂缝目标与背景噪声的对比度，对路面图像增强处理效果更佳。　　再次，论文提出一种新的多重区域分割定位(Multi-AreaSegmentationCombine，MASC)路面裂缝检测方法。利用CRes-Net+FPN网络进行图像特征提取，将基本网络的卷积用可变形卷积替代，以解决未知裂缝形状导致的特征表示不完整问题；文中提出新的MASC路面裂缝检测模型，通过整体、核心和边框多区域更加全面地表征图像中的路面裂缝信息，改进的残差网络多重区域表征方式可有效解决非裂缝纹理产生的误检问题；利用边框区域信息监督核心区域的预测，以去除核心区域边缘与裂缝纹理边框信息产生的交叉噪声，使得裂缝核心区域的预测更加精准。　　最后，利用CrackForest数据集对MASC路面裂缝模型进行消融实验，通过测试确定损失权重，采用PANet、CE-Net、U-Net、HED、RCF、ACNet和本文提出的MASC算法分别进行路面裂缝检测，测试结果表明，本文MASC算法的3个指标均有良好的表现，召回率提升1％左右，与次好的RCF算法相比，F值增长1.1%。此外，文中通过PreliminaryDataofStreet数据集测试，验证本文路面裂缝检测算法对复杂背景检测是有效的，与方法CE-Net、PANet、ACNet和MaskR-CNN相比，准确率提升6.6%，最终F值实现3.2%的提升。通过对比检测准确率可知，迭代次数超过4000次时检测准确率趋于稳定；相同迭代次数时，MASC算法较其他算法检测准确率高出4%左右。实验结果表明本文提出的MASC检测方法更加精准有效。
作者：	李彦志
专业：	电子信息
导师：	张静
授予学位：	硕士
授予学位单位：	哈尔滨理工大学
学位年度：	2023