基于深度學(xué)習(xí)的路面缺陷檢測(cè)方法研究

摘 要：路面缺陷會(huì)給公路監(jiān)管和路面養(yǎng)護(hù)帶來嚴(yán)重影響，本文針對(duì)目前路面缺陷圖像采集方法成本高、效率低的問題，提出一種基于深度學(xué)習(xí)的路面缺陷檢測(cè)方法。該方法包括目標(biāo)檢測(cè)和圖像分割子系統(tǒng)，其中，目標(biāo)檢測(cè)使用YOLOv5模型來提升路面缺陷位置識(shí)別精準(zhǔn)率；圖形分割使用“U”形多尺度擴(kuò)張卷積網(wǎng)絡(luò)（U-Multiscale Dilated Network，U-MDN）來增強(qiáng)路面缺陷深度特征提取。使用目標(biāo)檢測(cè)數(shù)據(jù)集和圖像分割數(shù)據(jù)集進(jìn)行試驗(yàn)，其中YOLOv5模型精度為92%；比較U-Net模型和U-MDM模型，U-MDN模型的Precision、Recall和F1-score指標(biāo)綜合表現(xiàn)最優(yōu)，充分證明了該方法對(duì)路面缺陷檢測(cè)具有有效性。

關(guān)鍵詞：深度學(xué)習(xí)；路面缺陷檢測(cè)；目標(biāo)檢測(cè)；圖像分割；YOLOv5模型；“U”形多尺度擴(kuò)張卷積網(wǎng)絡(luò)

中圖分類號(hào)：TP 39" " " " " " " " 文獻(xiàn)標(biāo)示碼：A

道路使用過程中產(chǎn)生的表面缺陷會(huì)給公路監(jiān)管和養(yǎng)護(hù)帶來嚴(yán)重影響，增加事故率，發(fā)現(xiàn)越晚，維護(hù)成本越高[1]，因此道路缺陷的檢測(cè)識(shí)別問題亟待解決。

早期路面檢測(cè)主要方式為傳統(tǒng)圖像處理技術(shù)和手動(dòng)檢測(cè)，方法費(fèi)時(shí)、費(fèi)力，精度和速度不佳，難以滿足實(shí)際需求。而人工智能的迅猛發(fā)展在一定程度上緩解了上述問題，尤其是深度學(xué)習(xí)技術(shù)，極大提升了識(shí)別精度與速度。路面缺陷檢測(cè)問題的關(guān)鍵是目標(biāo)檢測(cè)和圖像分割。

1 系統(tǒng)結(jié)構(gòu)和原理

基于深度學(xué)習(xí)技術(shù)的路面缺陷方法與系統(tǒng)如圖1所示，具體原理包括以下4點(diǎn)。1）采集足量的路面缺陷圖像，構(gòu)建目標(biāo)檢測(cè)數(shù)據(jù)集。對(duì)圖像進(jìn)行處理后，構(gòu)建圖像分割數(shù)據(jù)集，本文使用成熟的數(shù)據(jù)集。……