路面裂縫快速檢測(cè)及響應(yīng)是道路養(yǎng)護(hù)部門的一項(xiàng)重要工作,然而傳統(tǒng)的裂縫檢測(cè)方法耗時(shí)且準(zhǔn)確度低。因此,本文基于改進(jìn)后的U-net模型實(shí)現(xiàn)對(duì)路面裂縫精準(zhǔn)地自動(dòng)識(shí)別。結(jié)合Canny邊緣檢測(cè)、Otsu閾值分割算法和人為干預(yù)手段研發(fā)一款半自動(dòng)標(biāo)注軟件,用以實(shí)現(xiàn)路面裂縫的像素級(jí)標(biāo)注。研究以路面2D激光圖像為數(shù)據(jù)集,并在此基礎(chǔ)上通過數(shù)據(jù)增強(qiáng)進(jìn)行數(shù)據(jù)集樣本擴(kuò)充,從而構(gòu)建模型訓(xùn)練原始樣本庫;在實(shí)驗(yàn)分析階段,使用交叉熵?fù)p失函數(shù)判斷預(yù)測(cè)值與真實(shí)值的誤差大小,并結(jié)合Adam算法優(yōu)化模型。研究表明改進(jìn)后的U-net模型在識(shí)別精度及泛化能力上均優(yōu)于原U-net模型及全連接神經(jīng)網(wǎng)絡(luò)模型。該研究將為道路養(yǎng)護(hù)管理部門的路面病害快速檢測(cè)提供技術(shù)支撐,從而利于快速響應(yīng)、采取措施保證路面的行車安全。 

【文章來源】：數(shù)據(jù)采集與處理. 2020,35(02)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

DHDV采集的2D和3D圖像

裂縫形狀纖細(xì)且不規(guī)則，采用多邊形標(biāo)注工具不能準(zhǔn)確地表達(dá)出裂縫的特征，因此筆者研發(fā)一款半自動(dòng)的像素級(jí)標(biāo)注軟件，主要用于裂縫圖像的標(biāo)注。首先利用自適應(yīng)Canny邊緣檢測(cè)或Otsu閾值分割算法對(duì)框選的目標(biāo)區(qū)域進(jìn)行自動(dòng)識(shí)別，再結(jié)合人為干預(yù)的手段對(duì)識(shí)別結(jié)果進(jìn)行除噪和填充。自適應(yīng)Canny邊緣檢測(cè)主要用于輪廓檢測(cè)，當(dāng)裂縫形狀纖細(xì)時(shí)使用Canny邊緣檢測(cè)所得到裂縫輪廓之間的空隙不大，再使用OpenCV中的“閉運(yùn)算”先對(duì)圖像進(jìn)行膨脹再腐蝕，以填充前景物體中的空隙；當(dāng)裂縫寬度較大時(shí)，“閉運(yùn)算”的填充效果并不好，而Otsu閾值分割算法對(duì)于雙峰圖像（直方圖中存在兩個(gè)峰）有可觀的分割效果，在框選的區(qū)域中，寬度大的裂縫更符合雙峰圖像標(biāo)準(zhǔn)。綜上，當(dāng)裂縫形狀纖細(xì)時(shí)使用Canny邊緣檢測(cè)來獲取標(biāo)簽圖像，反之使用Otsu閾值分割算法。具體的操作流程如圖3所示。圖4展示了使用半自動(dòng)像素級(jí)標(biāo)注軟件標(biāo)注的結(jié)果，基于該軟件標(biāo)注的裂縫輪廓清晰明顯，形狀纖細(xì)。其中圖4上方兩張圖片代表采集的兩張?jiān)紙D像，下方的兩張圖片代表自動(dòng)標(biāo)注的結(jié)果。

訓(xùn)練樣本數(shù)量以及特征多樣性對(duì)于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效果至關(guān)重要，樣本數(shù)量不夠或類別不平衡可能導(dǎo)致模型出現(xiàn)欠擬合現(xiàn)象。但目前在網(wǎng)絡(luò)上還沒有公開的裂縫數(shù)據(jù)集，因此可以利用卷積神經(jīng)網(wǎng)絡(luò)具有平移、縮放、旋轉(zhuǎn)不變性的特點(diǎn)，通過人工篩選得到2 000張訓(xùn)練圖像，并利用彈性變形技術(shù)(旋轉(zhuǎn)、鏡像、裁剪和縮放)對(duì)原始圖像及其對(duì)應(yīng)的標(biāo)簽圖像進(jìn)行數(shù)據(jù)增強(qiáng)，從而擴(kuò)充訓(xùn)練數(shù)據(jù)集。同時(shí)為確保新生成的數(shù)據(jù)樣本圖像尺寸大小不發(fā)生變化，對(duì)圖像邊界外的點(diǎn)使用最近點(diǎn)的像素值進(jìn)行填充，圖5展示了部分經(jīng)過彈性變形技術(shù)增強(qiáng)后的圖像。為測(cè)試模型的性能，研究將DHDV采集的110張未參與到訓(xùn)練過程的圖像以及500張由福建省高速公路達(dá)通檢測(cè)有限公司提供的圖像（武大卓越RTM檢測(cè)車采集圖像）作為測(cè)試數(shù)據(jù)集，部分測(cè)試圖像如圖6所示。最終訓(xùn)練數(shù)據(jù)集，測(cè)試數(shù)據(jù)集圖片數(shù)量分別為6 000幅和610幅。圖4 訓(xùn)練樣本標(biāo)注結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的語種識(shí)別系統(tǒng)[J]. 金馬,宋彥,戴禮榮.  數(shù)據(jù)采集與處理. 2019(02)
[2]融入視覺注意機(jī)制的路面裂縫檢測(cè)與識(shí)別[J]. 張玉雪,唐振民,錢彬,徐威.  計(jì)算機(jī)工程. 2018(04)
[3]基于三維虛擬路面的裂縫自動(dòng)檢測(cè)算法[J]. 彭博,蔡曉禹,李少博,張有節(jié).  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[4]基于三維光影模型的公路路面裂縫自動(dòng)識(shí)別算法[J]. 陽恩慧,張傲南,丁世海,王郴平.  西南交通大學(xué)學(xué)報(bào). 2017(02)
[5]Elements of automated survey of pavements and a 3D methodology[J]. Kelvin C.P.WANG.  Journal of Modern Transportation. 2011(01)

碩士論文
[1]復(fù)雜背景下的路面裂縫檢測(cè)算法研究[D]. 李麗.陜西師范大學(xué) 2018



本文編號(hào)：3090641