路面裂縫快速檢測及響應是道路養(yǎng)護部門的一項重要工作,然而傳統(tǒng)的裂縫檢測方法耗時且準確度低。因此,本文基于改進后的U-net模型實現(xiàn)對路面裂縫精準地自動識別。結合Canny邊緣檢測、Otsu閾值分割算法和人為干預手段研發(fā)一款半自動標注軟件,用以實現(xiàn)路面裂縫的像素級標注。研究以路面2D激光圖像為數(shù)據(jù)集,并在此基礎上通過數(shù)據(jù)增強進行數(shù)據(jù)集樣本擴充,從而構建模型訓練原始樣本庫;在實驗分析階段,使用交叉熵損失函數(shù)判斷預測值與真實值的誤差大小,并結合Adam算法優(yōu)化模型。研究表明改進后的U-net模型在識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)絡模型。該研究將為道路養(yǎng)護管理部門的路面病害快速檢測提供技術支撐,從而利于快速響應、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

裂縫形狀纖細且不規(guī)則，采用多邊形標注工具不能準確地表達出裂縫的特征，因此筆者研發(fā)一款半自動的像素級標注軟件，主要用于裂縫圖像的標注。首先利用自適應Canny邊緣檢測或Otsu閾值分割算法對框選的目標區(qū)域進行自動識別，再結合人為干預的手段對識別結果進行除噪和填充。自適應Canny邊緣檢測主要用于輪廓檢測，當裂縫形狀纖細時使用Canny邊緣檢測所得到裂縫輪廓之間的空隙不大，再使用OpenCV中的“閉運算”先對圖像進行膨脹再腐蝕，以填充前景物體中的空隙；當裂縫寬度較大時，“閉運算”的填充效果并不好，而Otsu閾值分割算法對于雙峰圖像（直方圖中存在兩個峰）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準。綜上，當裂縫形狀纖細時使用Canny邊緣檢測來獲取標簽圖像，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展示了使用半自動像素級標注軟件標注的結果，基于該軟件標注的裂縫輪廓清晰明顯，形狀纖細。其中圖4上方兩張圖片代表采集的兩張原始圖像，下方的兩張圖片代表自動標注的結果。

訓練樣本數(shù)量以及特征多樣性對于神經(jīng)網(wǎng)絡模型的訓練效果至關重要，樣本數(shù)量不夠或類別不平衡可能導致模型出現(xiàn)欠擬合現(xiàn)象。但目前在網(wǎng)絡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)絡具有平移、縮放、旋轉不變性的特點，通過人工篩選得到2 000張訓練圖像，并利用彈性變形技術(旋轉、鏡像、裁剪和縮放)對原始圖像及其對應的標簽圖像進行數(shù)據(jù)增強，從而擴充訓練數(shù)據(jù)集。同時為確保新生成的數(shù)據(jù)樣本圖像尺寸大小不發(fā)生變化，對圖像邊界外的點使用最近點的像素值進行填充，圖5展示了部分經(jīng)過彈性變形技術增強后的圖像。為測試模型的性能，研究將DHDV采集的110張未參與到訓練過程的圖像以及500張由福建省高速公路達通檢測有限公司提供的圖像（武大卓越RTM檢測車采集圖像）作為測試數(shù)據(jù)集，部分測試圖像如圖6所示。最終訓練數(shù)據(jù)集，測試數(shù)據(jù)集圖片數(shù)量分別為6 000幅和610幅。圖4 訓練樣本標注結果

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡的語種識別系統(tǒng)[J]. 金馬,宋彥,戴禮榮.  數(shù)據(jù)采集與處理. 2019(02)
[2]融入視覺注意機制的路面裂縫檢測與識別[J]. 張玉雪,唐振民,錢彬,徐威.  計算機工程. 2018(04)
[3]基于三維虛擬路面的裂縫自動檢測算法[J]. 彭博,蔡曉禹,李少博,張有節(jié).  重慶交通大學學報(自然科學版). 2018(01)
[4]基于三維光影模型的公路路面裂縫自動識別算法[J]. 陽恩慧,張傲南,丁世海,王郴平.  西南交通大學學報. 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]復雜背景下的路面裂縫檢測算法研究[D]. 李麗.陜西師范大學 2018



本文編號：3090641