隨著經(jīng)濟的快速發(fā)展和人們生活水平的提高,公路客貨運量大大增加,而道路一旦出現(xiàn)各種病害,將降低其使用安全性,并影響道路交通安全,因此需要實時檢測路面病害。傳統(tǒng)的道路破損檢測大多都是手動執(zhí)行的,然而隨著道路網(wǎng)絡(luò)和交通流量的不斷增加,這種耗時的方法不再實用,此外手動檢測也受到?jīng)Q策主觀性的嚴(yán)重影響。相比之下,經(jīng)過嚴(yán)格設(shè)計和驗證的半自動化和自動化路面檢測系統(tǒng)能夠準(zhǔn)確、快速的檢測路面病害并消除主觀性影響。然而,由于照明條件、道路紋理和其他環(huán)境條件復(fù)雜多變,半自動化和自動化檢測算法在準(zhǔn)確性和實時性方面尚未取得很大成功,路面破損檢測仍然是一個非常有挑戰(zhàn)的任務(wù)。本文針對實際路面破損檢測的準(zhǔn)確性和實時性要求,對基于深度學(xué)習(xí)的路面破損檢測算法進(jìn)行深入研究。本文主要的工作如下:(1)目前路面破損檢測大多都是針對裂縫類或松散類(坑槽)研究,從實際應(yīng)用來看,由于沒有覆蓋所有的破損類型,道路管理者很難將這些研究直接應(yīng)用于實際。因此本文在大量收集和采集數(shù)據(jù)的基礎(chǔ)上增加現(xiàn)有路面破損檢測的識別類型,使用Faster R-CNN算法對8類常見路面破損進(jìn)行檢測識別。(2)針對路面破損檢測任務(wù),對Faster R-CNN算法的...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-6路面破損圖像

21本文采用的實驗數(shù)據(jù)如表2-1所示。其中包含7240個道路損壞圖片，12386個破損標(biāo)記。數(shù)據(jù)集包含八種道路損壞類型以及每個類別在圖片中的邊界框。數(shù)據(jù)集的7240張圖片包含各種天氣和照明條件，每個圖片的分辨率為600×600像素。此外，在評估損壞類型時，使用了專業(yè)道路管理員的專....

圖2-7不同破損類型的總數(shù)量

22圖2-7和圖2-8展示了路面破損檢測實驗中使用數(shù)據(jù)的統(tǒng)計結(jié)果�？梢杂^察到，這是一個具有挑戰(zhàn)性的目標(biāo)破損檢測問題，首先可以使用的實例圖片數(shù)量（7240）相對較少，且破損總標(biāo)記數(shù)僅為12386，同時還存在明顯的類別不均衡問題，比如D40（車轍、顛簸、坑洞、分離）圖片數(shù)據(jù)較少，這種....

圖2-8每幅圖中的破損數(shù)量占比

22圖2-7和圖2-8展示了路面破損檢測實驗中使用數(shù)據(jù)的統(tǒng)計結(jié)果。可以觀察到，這是一個具有挑戰(zhàn)性的目標(biāo)破損檢測問題，首先可以使用的實例圖片數(shù)量（7240）相對較少，且破損總標(biāo)記數(shù)僅為12386，同時還存在明顯的類別不均衡問題，比如D40（車轍、顛簸、坑洞、分離）圖片數(shù)據(jù)較少，這種....

圖2-9破損檢測mAP（%）和Time（ms）隨K值變化曲線

28表2-3圖片平均檢測時間（ms）和平均精度mAP（%）隨K值變化KTimemAPD00D01D10D11D20D40D43D4410006753.5753.971.525.333.271.121.877.674.220009753.6754.071.825.133.671.4....

本文編號：3913485