基于深度学习的路面破损检测研究及应用

发布时间：2024-02-28 04:40

　　随着经济的快速发展和人们生活水平的提高,公路客货运量大大增加,而道路一旦出现各种病害,将降低其使用安全性,并影响道路交通安全,因此需要实时检测路面病害。传统的道路破损检测大多都是手动执行的,然而随着道路网络和交通流量的不断增加,这种耗时的方法不再实用,此外手动检测也受到决策主观性的严重影响。相比之下,经过严格设计和验证的半自动化和自动化路面检测系统能够准确、快速的检测路面病害并消除主观性影响。然而,由于照明条件、道路纹理和其他环境条件复杂多变,半自动化和自动化检测算法在准确性和实时性方面尚未取得很大成功,路面破损检测仍然是一个非常有挑战的任务。本文针对实际路面破损检测的准确性和实时性要求,对基于深度学习的路面破损检测算法进行深入研究。本文主要的工作如下:(1)目前路面破损检测大多都是针对裂缝类或松散类(坑槽)研究,从实际应用来看,由于没有覆盖所有的破损类型,道路管理者很难将这些研究直接应用于实际。因此本文在大量收集和采集数据的基础上增加现有路面破损检测的识别类型,使用Faster R-CNN算法对8类常见路面破损进行检测识别。(2)针对路面破损检测任务,对Faster R-CNN算法的...

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图2-6路面破损图像

21本文采用的实验数据如表2-1所示。其中包含7240个道路损坏图片，12386个破损标记。数据集包含八种道路损坏类型以及每个类别在图片中的边界框。数据集的7240张图片包含各种天气和照明条件，每个图片的分辨率为600×600像素。此外，在评估损坏类型时，使用了专业道路管理员的专....

图2-7不同破损类型的总数量

22图2-7和图2-8展示了路面破损检测实验中使用数据的统计结果。可以观察到，这是一个具有挑战性的目标破损检测问题，首先可以使用的实例图片数量（7240）相对较少，且破损总标记数仅为12386，同时还存在明显的类别不均衡问题，比如D40（车辙、颠簸、坑洞、分离）图片数据较少，这种....

图2-8每幅图中的破损数量占比

22图2-7和图2-8展示了路面破损检测实验中使用数据的统计结果。可以观察到，这是一个具有挑战性的目标破损检测问题，首先可以使用的实例图片数量（7240）相对较少，且破损总标记数仅为12386，同时还存在明显的类别不均衡问题，比如D40（车辙、颠簸、坑洞、分离）图片数据较少，这种....

图2-9破损检测mAP（%）和Time（ms）随K值变化曲线

28表2-3图片平均检测时间（ms）和平均精度mAP（%）随K值变化KTimemAPD00D01D10D11D20D40D43D4410006753.5753.971.525.333.271.121.877.674.220009753.6754.071.825.133.671.4....

本文编号：3913485