基于改进DeepLabV3+在复杂环境下的道路裂缝检测.pdf
《基于改进DeepLabV3+在复杂环境下的道路裂缝检测.pdf》由会员分享,可在线阅读,更多相关《基于改进DeepLabV3+在复杂环境下的道路裂缝检测.pdf(9页珍藏版)》请在咨信网上搜索。
1、有效的道路裂缝检测是保障道路安全的关键。针对现有道路裂缝检测方法效率低,检测结果易受检测环境影响的问题,文章结合深度学习与计算机视觉技术,在 架构的基础上提出了一种适用于复杂道路场景下的道路裂缝检测网络 。引入新颖的网络模块和结构设计,具有轻量化、强泛化的特点以及精细分割的能力。文章基于数据集 进行试验,验证和测试数据集的裂缝交并比(,)分别达到了 和 ,比现有的网络有明显提高;另外,采用复杂环境下拍摄的广州大学校内道路图片对该网络进行实际工程验证,基于 数据训练的 在无需新增附加训练数据的情况下,能精准识别和分割出不同场景及环境下校内道路的裂缝,证明了该方法的有效性和鲁棒性,以及在实际工程中
2、的应用价值。关键词:裂缝检测;深度学习;语义分割;计算机视觉中图分类号:文献标志码:,(,):,(),:;广州大学学报(自然科学版)第 卷路面裂缝是公路交通的常见病害形式。由于不均匀的路基沉降、高温、暴雨等环境因素,以及车辆超载、冲击等人为因素,道路在长期使用中出现损坏并在表面产生裂缝。随着裂缝的发展,将导致路面径流渗入到内部结构,破坏道路内部结构的稳定,使路基失稳,严重时甚至可能引发路基的塌陷,从而造成人员伤亡和公共财产损失。为了保证道路的安全性与可靠性,运输维修部门必须定期检查路面的运营状态。早期的道路裂缝检测主要基于现场工程师的目测法,该方法不仅劳动强度大、效率低,而且由于检测人员经验参
3、差,很可能出现漏检问题 。随着摄影设备和计算机性能的飞速发展,基于计算机视觉(,)的道路表面病害检测技术成为土木工程结构 及交通 领域重要的研究方向。相较于目测法,自动检测法不仅可以大幅降低人工成本,同时可以提高检测速度,降低漏检率,具有广泛的应用前景。目前,基于 的裂缝识别主要由三类算法实现:第一类阈值法,假设裂缝像素比非裂缝像素更暗,通过设置适当的像素阈值分辨裂缝区域 。采用阈值法检测裂缝速度快,但是由于光线变化及污点等噪声会使阈值失效,大大降低了识别准确率,因此,难以应用在复杂的环境中,一般在固定的数据集或固定的场景中可以得良好的结果。第二类边缘检测算法,包括边缘检测器 、数学形态学 等
4、。边缘检测算法比基于强度阈值的方法更具鲁棒性,但在实际环境中,由于路面的复杂性、光源的不均匀性和裂缝纹理的不规则性,识别结果稳定性差,只能作为人工检测的辅助手段。以上两类传统的计算机视觉检测方法自动化程度低,需要具有专业技术的工程师辅助调整参数,且对拍摄环境要求严格,无法作为通用的裂缝检测技术。近年来,伴随着计算机性能的不断提高,基于包括支持向量机 、深度学习 等在内的第三类 裂缝识别方法,即机器学习,在裂缝检测领域取得了高速发展。作为深度学习 的核心,卷积神经网络(,)通过参数共享和稀疏层连接设计,相较于其他机器学习算法大幅降低了模型中的参数数量,且更善于捕捉二维图像中的网格状特征,在解决
5、任务上具有独特的优势 。一项重要的应用是语义分割,通过带有标签数据的有监督训练,建立不同语义像素与对应标签的映射,完成训练后,可对新图像每个像素赋予对应的语义标签,完成图像成分的分割。该原理非常适用于高精度裂缝检测,即通过分配给道路图像每个像素以背景或裂缝的标签,可以准确识别图片中的裂缝成分。等 改进 模型进行混凝土表面裂缝检测,验证了基于深度学习的裂缝检测方法的可行性。等 制作 道路裂缝数据集,并且设计了一种特征金字塔和分层推进模块,用于提取道路图片丰富的语义信息,从而有效地分割裂缝。张海川等 采用生成器是 和判别器为 的条件对抗网络进行裂缝检测。等 基于 卷积神经网络在 数据集上预训练后,
6、再进行道路裂缝检测。宋榕榕等 在 网络基础上引用三重注意力模块,以获得更多互补性的裂缝特征,实现道路裂缝的检测。尽管现有研究已证明 模型可以有效地识别和分割裂缝,但是目前研究中所使用的训练集和测试集的场景单一,网络的泛化性和鲁棒性未能有效验证。同时,裂缝具有细长的特征,在语义分割的时候非常考验网络精细化分割能力,然而现有方法识别出的裂缝边缘特征还不够清晰,有时甚至会忽略细小裂缝。因此,本文针对目前裂缝检测方法泛化能力弱,检测效果易受拍摄环境干扰,细小裂缝识别精细度不足等问题,基于深度学习与 技术,提出了一种高效、轻量的裂缝检测模型 。通过增加主干网络提取特征的维度以及在编码器部分引入多个并行的
7、空洞空间卷积池化金字塔(,)模块,获得更加丰富和可靠的裂缝图像特征,以实现复杂场景下高精度的裂缝检测。本文的主要内容归纳如下:第一节介绍 网 络 结 构 和 模 型 参 数;第 二 节 根 据 道路裂缝数据集训练、测试和评估 ,并与 比较;第三节在基于 训练出的 网络中直接预测不同状况下现实道路图片中的裂缝;最后一节总结全文并提出未来改进的建议。第 期陈宇平等:基于改进 在复杂环境下的道路裂缝检测 多尺度特征融合的 本文在 模型的基础上,通过主干网络多尺度的特征提取和添加 模块,设计出性能优异的裂缝检测网络 。其特殊的结构设计可以在处理图像时捕捉更加丰富和可靠的图像特征,提高裂缝检测的可靠性、
8、鲁棒性以及裂缝分割的精细度。裂缝检测是一个二分类的语义分割任务,即将图片像素划分为裂缝和背景。在一张道路图像中,通常表现裂缝的像素数量非常少,占比小于 ,而背景成分占比超过 。这样不均衡的样本分布使网络在训练的过程中更倾向于学习主要成分的数据特征,而忽略次要成分的特征学习,网络在预测时也有更高的概率将像素点标记为主要语义以取得较小的误差,从而造成大量裂缝像素的错误识别。为解决该问题,首次在裂缝检测任务中采用焦点损失()和骰子系数损失()作为损失函数,有效缓解了样本不均衡导致的网络误识别。框架 网络包括编码器和解码器两个部分,如图 所示。图 框架 图 中,编码器主要由主干网络和 模块构成,编码器
9、通过逐层的下采样连续压缩数据特征,促使网络挖掘数据代表性的高维特征。特征学习完成后,将主干网络不同深度提取出的特征图通过跳跃连接传递到 ,然后再传递到解码器,通过双线性插值上采样改变特征图尺寸,再与主干网络提取的低维特征融合。通过对融合特征图进一步卷积和双线性插值上采样运算,将特征图尺寸升至原始输入图像大小,并通过 层的概率运算预测各像素的输出语义。的特征提取通过堆叠的卷积层实现,既继承了卷积神经网络参数少的优点,又因其特殊的结构设计,在特征提取的效率上有很大提升。每个卷积层包含卷积、批标准化()和激活三步运算。通过在激活和卷积中间插入批标准化,可以防止梯度消失或梯度爆炸,并加快训练速度。中使
10、用的激活函数包括 ,和 ,表达式如下:()(,),()()(,),),()(),()公式()中,为分类数,为第 类的预测结果。编码器的主干网络本文采用 作为编码器的主干网络。通过大量使用包含逐点卷积()和逐通道卷积()的深度可分离卷积 ,具有预测精度高和轻量的特点,在满足裂缝检测精度要求的同时还兼具优异的运算效率。由多个倒置残差块组成,如图 所示,图片特征图输入倒置残差块,经过逐点卷积进行升维,再通过逐通道卷积提取特征,最后再由逐点卷积进行特征压缩。与普通残差块相比,倒置残差块使用深度可分离卷积操作,可以大幅减少模型参数量,在不影响模型特征提取能力的前提下,使模型结构轻量化。此外,倒置残差块的
11、最后一层不再进行激活计算,以避免对特征的损坏。图 中,倒置残差块有两种跨步不同的线性瓶颈结构,当跨步为 时,进行残差连接;当跨步为 时,则不进行残差的连接。广州大学学报(自然科学版)第 卷图 倒置残差块示意图 编码器的 模块基于多个不同速率下并行的 进行特征融合,可以在多个特征尺度上捕获图像的上下文信息,来更有效地恢复分割对象的整体和细节部分。示意图如图 所示。图 空洞空间卷积池化金字塔示意图()()包括一个 的卷积块,扩张率分别为、和 的 个空洞卷积和一个全局池化层。空洞卷积通过扩张率的大小增大感受野和长距离信息的联系,可以在扩大感受野的同时,保持空间分辨率和像素的相对空间位置。当使用多个不
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 DeepLabV3 复杂 环境 道路 裂缝 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。