基于YOLO的農村公路常見病害智能檢測和識別

劉旭　徐夏俊　夏晉　王益杰　談婉霞　唐志正　汪毅　邵葉秦

摘要：農村公路病害的智能檢測和識別對農村公路的養護來說是一項重要的工作，對農村的經濟發展有著重大的意義。本文針對農村公路的常見病害，基于YOLO技術通過多任務的方式自動在圖像中提取并識別病害，實現公路病害的智能識別。實驗證明，本文的方法是有效的。

關鍵詞：農村公路;病害;智能識別

中圖分類號：TP393 ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）13-0203-03

1背景

隨著農村基礎設施建設的不斷完善，目前農村的公路干道主要以水泥路面和瀝青路面為主，它們具有地面堅實、平整、容易養護維修等優點。但受到使用年限增加、交通運輸流量增長、重載和超載車輛變多、公路養護不及時等因素的影響，農村公路病害嚴重。很多公路都面臨著裂縫、露骨、路面不平整、泛油和防滑性下降等不同程度的公路表面病害，如果沒有及時的管理和措施，還會發展為嚴重的結構性傷害，嚴重影響著公路的使用和安全問題，甚至影響國家的鄉村振興計劃[1-3]。

公路病害分類多種多樣，本文主要關注常見的病害：裂縫、松散和凹陷[4-5]，如圖1所示。

2 公路病害智能檢測和識別

2.1 圖像預處理

a） 圖像剪裁

本文采集的初始圖像中除了病害，還有其他事物，所以本文需要裁剪圖像，使得用于訓練的圖像中主要是病害，方便后續處理。

b） 歸一化

剪裁后部分圖片的分辨率相差很大，不利于后續圖像數據處理。因此，本文對圖像進行歸一化，使得所有的圖像的分辨率為800*600。

2.2基于YOLO的病害檢測和識別

為了使公路病害能夠有效的定位和識別，本文采用基于定位和識別多任務框架的YOLO （You Only Look Once）[6]模型。YOLO是一種基于深度神經網絡的對象定位和識別算法，相對于其他的對象定位和識別模型，其最大的特點是運行速度快，可以用于實時系統，且定位比較精準。

具體來說，本文首先對病害圖片進行相應的預處理，YOLO會將預處理好的圖片作為輸入圖像，并且將其分成S*S個格子，接著逐個處理每個格子，根據每個格子的特征預測可能的目標候選區域和相應的置信度，同時依據每個格子預測以這個格子為中心的物體屬于每個病害類別的概率，然后根據每個分類的概率和置信度確定預測的每個目標候選區域中包含每類病害的概率。

YOLO模型的結構由卷積、池化、全連接組成。YOLO網絡一開始使用多層的卷積和池化操作得到每個格子的特征，接著使用全連接層得到一個向量，然后重新組織成一個7*7*18的張量，作為最后的輸出。整個網絡共使用53層卷積層，且借鑒了殘差網絡的結構。

模型的輸入是一個448*448的二維彩色圖像，圖像劃分7*7的網格，每個格子預測3個目標對象的候選區域（bounding box），同時預測這個格子屬于3個類別（裂縫、凹陷、松散）的概率，因此模型的輸出是一個7*7*18的張量。這個張量中存放著三部分信息，一部分是當前格子預測的每個類別的概率，一部分是3個候選區域的bounding box的x、y、w、h（候選區域中心點的坐標、及其寬度和高度），最后一部分是每個bounding box的置信度，所謂置信度，表示所預測的 box 中含有對象的可信程度。基于每個候選框的得分，采用NMS（非極大值抑制），去掉重疊的輸出，選擇得分最高的作為輸出，得到最終的結果。

這里的x、y、w、h都歸一化到0-1之間。最后一層使用線形激活函數，其它時候leak RELU激活函數。

3 實驗

本文所用到的數據主要來源于互聯網以及成員通過無人機實地拍攝所獲得。其中，互聯網渠道我們分別使用三種互聯網搜索引擎去收集項目所需的各類公路病害數據。其中無人機拍攝圖片占比22%，谷歌占比35%，搜狗占比16%，微軟必應占比8%，如下圖所示。本文借助LabelImg軟件，標記圖像病害的位置，用于構建訓練圖像。每類病害的圖像數量分別是：裂縫149張，凹陷99張，松散69張。

本文方法可以同時檢測和識別三類病害圖像，下圖展示了檢測和識別的結果。

為了定量的分析模型的效果，本文分裂縫、松散、凹陷三個類別分別統計了病害識別的準確率，如表1所示：

4 結束語

公路是農村實現現代化的一個重要的基礎設施。只有對農村公路路面的病害進行科學的檢測與識別，才能及時養護，提高農村居民的生活水平以及加快農村經濟的發展。本文基于采集到的公路病害圖像，采用YOLO技術實現了公路常見病害凹陷、裂縫、松散的智能檢測和識別。

參考文獻：

[1] 楊靜，李孝兵.路面檢測技術現狀及未來發展趨勢[J].公路交通科技（應用技術版），2012（1）：104-106.

[2] 梅勇，肖洋.新建高速公路瀝青砼路面早期損壞分析[J].科技創新導報，2008（30）：47-47.

[3] 蘆燁磊.公路工程質量通病及防治措施[J].山西建筑，2010，36（29）：276-277.

[4] 林衍德.農村公路路基病害產生的原因與應對策略[J].住宅與房地產，2018（36）：146.

[5] 程偉，李丹.公路工程常見質量通病成因及其防治措施[J].價值工程，2012，31（19）：76-77.

[6] Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection[C].Proceedings of the IEEE conference on computer vision and pattern recognition. 2016： 779-788.

[7] 顧錚鳴，金曉斌，楊曉艷，等.基于無人機遙感影像監測土地整治項目公路溝渠利用情況[J].農業工程報，2018，34（23）：85-93.

【通聯編輯：光文玲】