• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于深度學(xué)習(xí)的公路路面病害智能化檢測(cè)系統(tǒng)

      2022-12-04 12:23:12吳海軍王武斌張宗堂
      公路工程 2022年5期
      關(guān)鍵詞:圖塊分類器像素

      余 俊,吳海軍,王武斌,張宗堂

      (1.成都工業(yè)職業(yè)技術(shù)學(xué)院 現(xiàn)代軌道交通應(yīng)用技術(shù)研究中心,四川 成都 610000;2.湖南省交通科學(xué)研究院有限公司,湖南 長(zhǎng)沙 410015;3.西南交通大學(xué) 陸地交通地質(zhì)災(zāi)害防治技術(shù)國(guó)家工程實(shí)驗(yàn)室,四川 成都 610000;4.湖南科技大學(xué) 巖土工程穩(wěn)定控制與健康監(jiān)測(cè)湖南省重點(diǎn)實(shí)驗(yàn)室,湖南 湘潭 411201)

      1 概述

      公路交通作為一種重要的交通方式,對(duì)我國(guó)的政治、經(jīng)濟(jì)、軍事發(fā)展有著重大的作用,也對(duì)人民生活水平的提高有著重要的意義。對(duì)任何一個(gè)國(guó)家而言,公路都至關(guān)重要。

      近年來(lái),隨著公路的持續(xù)使用和極端天氣的影響,公路路面會(huì)出現(xiàn)不同程度的病害,導(dǎo)致大量公路進(jìn)入維護(hù)階段[1-3]。如果對(duì)公路路面病害的處理不夠及時(shí),不僅會(huì)減少公路的使用壽命,導(dǎo)致更嚴(yán)重的病害,還會(huì)造成巨額的后期維護(hù)費(fèi)用,甚至引發(fā)交通事故,危及出行人員的生命安全[4-6]。

      因此,安全高效的公路路面病害檢測(cè)方法對(duì)及時(shí)維護(hù)公路、保持公路路面路面狀態(tài)良好有著重要意義。傳統(tǒng)的人工檢測(cè)公路路面病害方法效率低且誤差大。因此,研究者提出了許多基于圖像處理和機(jī)器學(xué)習(xí)的方法進(jìn)行公路路面病害檢測(cè)。

      通過(guò)激光掃描可以獲取公路路面病害圖,并進(jìn)行公路路面病害檢測(cè)分析。BOYKO[7]等分析了不同時(shí)間點(diǎn)疊加掃描的三維離散數(shù)據(jù),提取出了公路路面病害的特征。GUAN[8]等掃描了公路路面病害圖像,并將圖像進(jìn)行分割,根據(jù)形態(tài)學(xué)算法得到病害特征。

      在早期研究中,研究者多采用傳統(tǒng)的圖像處理算法。如BO[9]等利用形態(tài)學(xué)濾波算法對(duì)公路路面病害進(jìn)行檢測(cè),HU[10]等提出局部二值算法來(lái)檢測(cè)公路路面病害。但隨著機(jī)器學(xué)習(xí)的快速發(fā)展,精度更高、提取特征效果更好的機(jī)器學(xué)習(xí)算法被應(yīng)用于公路路面病害檢測(cè)。SHI[11]等利用一種基于結(jié)構(gòu)隨機(jī)森林的算法對(duì)公路路面病害特征進(jìn)行提取,李楠[12]應(yīng)用LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)對(duì)公路路面病害進(jìn)行檢測(cè),張寧[13]使用Faster R-CNN進(jìn)行公路路面病害檢測(cè),分類效果良好。

      本文介紹了一種智能檢測(cè)公路路面病害的方法,能夠準(zhǔn)確并高效地對(duì)公路路面病害圖像進(jìn)行處理和分類,提取特征。該方法包括異常檢測(cè)、異常提取和公路路面病害分類3個(gè)組成部分。首先,在異常檢測(cè)階段構(gòu)建卷積自動(dòng)編碼器訓(xùn)練異常檢測(cè)器,快速在大量圖像中檢測(cè)到公路路面病害。然后,在異常提取階段通過(guò)閾值分割法提取公路路面病害特征。最后,進(jìn)行公路路面病害分類。在給圖像添加標(biāo)簽后,利用ResNet結(jié)構(gòu)訓(xùn)練模型并根據(jù)交叉驗(yàn)證選取分類器。

      2 圖像數(shù)據(jù)集

      本文用佳能EOS 500D、7D和77D對(duì)公路路面病害拍攝了200幅圖像,并分別以3 168×4 752、3 456×5 184和4 000×6 000像素分辨率存儲(chǔ)。在適當(dāng)情況下,需使用三腳架和穩(wěn)定器來(lái)保證圖像質(zhì)量。為了消除不同公路路面中環(huán)境變化帶來(lái)的影響,需通過(guò)各種拍攝角度、照明和攝像機(jī)距離來(lái)獲取公路路面病害圖,從而最大程度地提高分類器的適應(yīng)性。由于GPU內(nèi)存的限制,無(wú)法將完整的高分辨率圖像直接用作輸入。因此,需將圖像裁剪成較小的圖塊,并通過(guò)深度學(xué)習(xí)模型逐塊對(duì)公路路面病害進(jìn)行檢測(cè)和分類。圖1顯示了針對(duì)不同類別公路路面病害的圖塊(裁剪圖像)示例,有關(guān)訓(xùn)練和測(cè)試階段數(shù)據(jù)準(zhǔn)備的更多詳細(xì)信息,請(qǐng)參見(jiàn)下一部分。

      (a) 正常公路路面

      3 人工智能識(shí)別流程詳述

      圖 2展示了本文采用的智能檢測(cè)流程的架構(gòu),該流程有3個(gè)核心組成步驟,即異常檢測(cè)、異常提取和公路路面病害分類。首先執(zhí)行異常檢測(cè)來(lái)生成異常圖。根據(jù)異常圖,可以提取可疑公路路面病害,并過(guò)濾未損壞的區(qū)域。然后,將提取的圖塊分類為適當(dāng)?shù)牟『︻悇e。該流程使用Python編程語(yǔ)言編寫(xiě),基于TensorFlow編寫(xiě)深度學(xué)習(xí)模型,并在Nvidia 2080-ti圖形處理單元上執(zhí)行。

      圖2 智能檢測(cè)流程示意圖

      3.1 異常檢測(cè)

      作為檢查流程的第一步,異常檢測(cè)可以快速可靠地從大量圖像數(shù)據(jù)集中檢測(cè)公路路面病害。在本項(xiàng)研究中,公路路面病害屬于異常情況,而正常(未損壞)的公路路面和公路路面中發(fā)現(xiàn)的其他物體則被歸為正常。本文通過(guò)構(gòu)建卷積自動(dòng)編碼器(一種基于重構(gòu)的深度學(xué)習(xí)模型)來(lái)訓(xùn)練異常檢測(cè)器。在現(xiàn)有的研究中,這種異常檢測(cè)技術(shù)已用于其他領(lǐng)域,例如,紡織物表面的缺陷檢測(cè),交通控制和監(jiān)視的視頻監(jiān)控,及從熱圖像中異常溫度區(qū)域的檢測(cè)。其他基于重構(gòu)的深度學(xué)習(xí)模型也可用于異常檢測(cè)。例如,變分自動(dòng)編碼器(VAEs)、生成對(duì)抗網(wǎng)絡(luò)與其擴(kuò)展已廣泛應(yīng)用于臨床成像和航空安全檢查。但是,在使用這些高級(jí)模型進(jìn)行異常檢測(cè)具有一定的局限性。訓(xùn)練深度生成模型時(shí),模式坍塌經(jīng)常發(fā)生。此外,生成器僅能夠生成有限種類的樣本,導(dǎo)致分類器可能無(wú)法區(qū)分正常樣本和異常樣本。HENDRYCKS[14]等提出VAEs和其他深度生成模型學(xué)習(xí)的概率分布可能無(wú)法對(duì)訓(xùn)練數(shù)據(jù)的真實(shí)可能性進(jìn)行建模。因此,根據(jù)CHOW[15]等提出的內(nèi)容,本文決定應(yīng)用卷積自動(dòng)編碼器對(duì)公路路面病害進(jìn)行異常檢測(cè)。主要特征描述如下。

      卷積自動(dòng)編碼器是一個(gè)編碼器-解碼器網(wǎng)絡(luò)[16]。編碼器從輸入數(shù)據(jù)中學(xué)習(xí)并提取有用的特征,然后解碼器對(duì)編碼后的特征進(jìn)行反向映射,從而重建輸入數(shù)據(jù)。編碼后得到的特征維度(也稱為瓶頸)通常比輸入維度小得多,以防止卷積自動(dòng)編碼器直接復(fù)制。利用大量的正常類圖像,對(duì)卷積自動(dòng)編碼器進(jìn)行訓(xùn)練,以使其盡可能完整地重建正常實(shí)例。由于沒(méi)有事先學(xué)習(xí)任何異常特征,這種訓(xùn)練會(huì)導(dǎo)致公路路面病害的重建效果不佳,重建誤差較高。

      在編碼器中,將輸入數(shù)據(jù)輸入連續(xù)的卷積塊,并在每個(gè)下采樣步驟中將通道數(shù)量加倍,以增強(qiáng)編碼特征。在出現(xiàn)瓶頸(也稱為代碼/潛在空間,即具有50個(gè)神經(jīng)元的全連接層)之前,將特征圖展平并下采樣到具有100個(gè)神經(jīng)元的全連接層,使特征之間具有良好的一致性。解碼器是編碼器的反向操作,逐步執(zhí)行上采樣以重建輸入數(shù)據(jù)。在最后一層引入雙曲正切函數(shù),將每個(gè)神經(jīng)元的值壓縮到-1和1之間。

      對(duì)于每個(gè)像素,計(jì)算輸入和輸出(即重構(gòu)的輸入)之間的平方差,以評(píng)估重構(gòu)質(zhì)量。這種誤差稱為重建誤差e:

      (1)

      為了人為地創(chuàng)建不同比例的圖塊,增強(qiáng)深度模型學(xué)習(xí)的特征,本文在原始訓(xùn)練數(shù)據(jù)集(即約200張高分辨率圖像)中,應(yīng)用無(wú)重疊的滑動(dòng)窗口將圖像裁剪為不同大小的較小正方形塊(256×256、384×384、512×512和768×768像素),然后將所有圖塊重新縮放為256×256像素。選擇正常類別的樣本作為異常檢測(cè)的訓(xùn)練數(shù)據(jù)集(剩余的公路路面病害圖塊用于分類器的監(jiān)督訓(xùn)練)。該訓(xùn)練數(shù)據(jù)集由約42 000個(gè)256×256像素的圖塊組成。訓(xùn)練數(shù)據(jù)還包括公路路面中可能發(fā)現(xiàn)的其他物體。

      根據(jù)RONNEBERGER[17]等的方法,利用鏡像技術(shù)將圖塊放大到320×320像素(即卷積自動(dòng)編碼器的輸入大小),以確保在后續(xù)測(cè)試階段中無(wú)縫生成異常圖。將每個(gè)像素的值歸一化為-1.0到1.0之間,然后為模型訓(xùn)練準(zhǔn)備圖塊。選擇均方誤差即圖塊重建誤差的平均值作為損失函數(shù),并選擇ADAM[18]作為優(yōu)化算法以最小化重建損失。由于卷積自編碼器會(huì)盡可能完美地重建訓(xùn)練數(shù)據(jù)集(即正常類),因此無(wú)需采用過(guò)多的正則化。一旦損失值收斂并變得穩(wěn)定,訓(xùn)練過(guò)程就完成了。根據(jù)上述設(shè)置,該訓(xùn)練過(guò)程大約花費(fèi)12 h。由于標(biāo)簽就是圖像本身,該訓(xùn)練屬于無(wú)監(jiān)督訓(xùn)練過(guò)程。因此,對(duì)于這種費(fèi)力且視覺(jué)密集的標(biāo)注任務(wù),可以節(jié)省大量的時(shí)間和人力。

      在測(cè)試階段,將滑動(dòng)窗口應(yīng)用于測(cè)試圖像,使其達(dá)到所需的尺寸,然后重新縮放為256×256像素的圖塊。將裁剪的圖塊進(jìn)行放大和標(biāo)準(zhǔn)化來(lái)生成異常圖,其中每個(gè)像素代表重建誤差。然后進(jìn)行拼接以生成整個(gè)圖像的異常圖;整個(gè)測(cè)試過(guò)程不到一分鐘即可生成高分辨率圖像(3 456×5 184像素)的異常圖。

      3.2 異常提取

      得到異常圖后,需要根據(jù)異常分?jǐn)?shù)來(lái)確定如何分割和提取圖塊中的公路路面病害。一方面,如果將閾值設(shè)置得太高,可能會(huì)出現(xiàn)分割不足的情況,其中提取的公路路面病害可能會(huì)分散并且不完整。另一方面,如果將閾值設(shè)置得太低,可能會(huì)導(dǎo)致過(guò)度分割,從而浪費(fèi)計(jì)算資源和時(shí)間。

      由于在不同測(cè)試位置上公路路面病害的屬性大不相同,隨機(jī)選擇異常分?jǐn)?shù)作為閾值的方法是無(wú)效的。本文根據(jù)異常分?jǐn)?shù)計(jì)算得到多個(gè)閾值,以促進(jìn)可疑公路路面病害的異常提取。結(jié)合局部閾值(基于單個(gè)圖像,TL)與全局閾值(基于整個(gè)圖像數(shù)據(jù)集,TG)來(lái)提取病害圖塊,并過(guò)濾正常的公路路面圖像。以正常公路路面圖像為例,無(wú)論局部閾值取什么異常分?jǐn)?shù),都只能提取幾個(gè)圖塊。因此需引入全局閾值,以避免不必要的信息影響后續(xù)數(shù)據(jù)分析。

      根據(jù)CHOW[15]等的研究,全局閾值TG的值對(duì)于不同的訓(xùn)練數(shù)據(jù)集可能有所不同,本文根據(jù)訓(xùn)練集的異常分?jǐn)?shù)分布將TG默認(rèn)值設(shè)為0.5。首先對(duì)圖像的所有像素的異常分?jǐn)?shù)進(jìn)行排序,然后選擇與要求的百分位數(shù)相對(duì)應(yīng)的異常分?jǐn)?shù),如下所示:

      (2)

      其中,APG代表百分位數(shù)PG的異常得分;ni代表圖像i的總像素;N代表圖像總數(shù)。如果APG大于默認(rèn)TG值,則更新TG值。接下來(lái),根據(jù)所有像素的異常分?jǐn)?shù)確定TL,如下所示:

      (3)

      其中,PL代表用于計(jì)算TL的選定百分比;n代表圖像的總像素。然后,為了降低閾值,確保提取的圖塊數(shù)量與實(shí)際有病害的圖塊數(shù)量之間達(dá)到最佳平衡,借助降低系數(shù)α(0<α<1)將TL與TG進(jìn)行比較來(lái)確定最終閾值T。根據(jù)異常分?jǐn)?shù)確定閾值T的過(guò)程概述如下:

      ① 將TG的默認(rèn)值設(shè)置為0.5。

      ② 根據(jù)選定的百分位數(shù)PG計(jì)算APG。

      ③ 如果APG大于默認(rèn)值,則更新TG值。

      ④ 根據(jù)選定的百分位PL計(jì)算TL。

      跟吳梅見(jiàn)面回來(lái),心里莫明其妙地?zé)G『贸燥垥r(shí),偉翔說(shuō)了句這個(gè)菜有點(diǎn)咸了,我便啪地把筷子扔在了餐桌上,我說(shuō):“李偉翔,你把我林薇當(dāng)成老媽子了吧?”

      ⑤ 判斷是否有TL>αTG。如果式子成立,選擇TL作為閾值T,否則,選擇TG作為閾值T。

      在確定閾值T的值之后,將圖像劃分為大小相等的正方形塊(例如256×256; 512×512像素)。如果圖塊中一個(gè)像素的任何異常分?jǐn)?shù)大于T,則提取對(duì)應(yīng)的圖塊以進(jìn)行后續(xù)公路路面病害分類。

      3.3 公路路面病害分類

      智能檢測(cè)流程的最后一步是公路路面病害分類。構(gòu)造分類器并對(duì)其進(jìn)行訓(xùn)練,可以將圖像分為3類,即無(wú)病害、開(kāi)裂和剝落。

      3.3.1標(biāo)簽準(zhǔn)備

      與之前的異常檢測(cè)類似,在標(biāo)注標(biāo)簽之前,將高分辨率圖像裁剪為不同的尺寸,即256×256、384×384、512×512、768×768像素,再重新縮放為256×256像素(即分類器輸入層的尺寸),以便針對(duì)不同的比例創(chuàng)建公路路面病害的圖塊,并使分類器具有適用性。由于放大的圖塊不能適當(dāng)代表公路路面病害的特征,本文沒(méi)有使用小于256像素的圖像。例如,放大的圖像可能過(guò)于黑暗導(dǎo)致無(wú)法分辨物體,繼而在分類過(guò)程中引起混亂。接下來(lái),為每個(gè)裁剪的圖塊分配一個(gè)標(biāo)簽,整數(shù)值0、1和2代表無(wú)病害、開(kāi)裂和剝落;圖2中給出了每個(gè)類別的示例??偣矘?biāo)注了18 165個(gè)圖塊,其中無(wú)病害、開(kāi)裂和剝落的比例為4∶3∶3。僅將無(wú)病害圖塊的一部分(即約42 000個(gè)圖塊中的7 266個(gè))用作公路路面病害分類的訓(xùn)練數(shù)據(jù)集,以避免不平衡數(shù)據(jù)集對(duì)分類性能的嚴(yán)重影響。

      3.3.2網(wǎng)絡(luò)架構(gòu)

      在訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)時(shí)經(jīng)常會(huì)遇到衰退問(wèn)題,導(dǎo)致較大的訓(xùn)練和測(cè)試誤差。這是因?yàn)榇嬖谔荻认У膯?wèn)題,使得在反向傳播時(shí)模型不能進(jìn)行優(yōu)化。為了解決此問(wèn)題,ResNet提出了殘差學(xué)習(xí)的概念,當(dāng)某一層的損失值開(kāi)始增大時(shí),在后面的層與層之間添加恒等映射,避免模型衰退。通過(guò)將上一層中的重要信息傳播到下一層,增強(qiáng)了網(wǎng)絡(luò)的表示能力,從而最大程度地減少信息損失并保證訓(xùn)練的準(zhǔn)確性。此外,為了避免使用過(guò)多的參數(shù),ResNet中廣泛采用“瓶頸”結(jié)構(gòu)來(lái)呈現(xiàn)深層網(wǎng)絡(luò)。用1×1、3×3和1×1的3層卷積結(jié)構(gòu)替代常用的2個(gè)連續(xù)的3×3卷積層。在本文中,考慮到計(jì)算資源和所需的訓(xùn)練時(shí)間,采用了由50個(gè)卷積層組成的ResNet-50。

      3.3.3模型訓(xùn)練

      應(yīng)用5折交叉驗(yàn)證來(lái)評(píng)估和驗(yàn)證ResNet-50在分類公路路面病害方面的性能。將圖像數(shù)據(jù)集劃分為5個(gè)大小相等的子集,并且在每次訓(xùn)練中選取其中一個(gè)子集用作驗(yàn)證數(shù)據(jù)集。即驗(yàn)證集是一個(gè)子數(shù)據(jù)集(即3 633個(gè)圖塊),而訓(xùn)練集是其余的4個(gè)子數(shù)據(jù)集(即14 532個(gè)圖塊)。然后在k個(gè)交叉驗(yàn)證中,選取性能最好(即驗(yàn)證集損失值最低)的模型來(lái)作為智能檢測(cè)的分類器。

      在模型訓(xùn)練之前,為了便于數(shù)據(jù)歸一化,分別計(jì)算訓(xùn)練集和驗(yàn)證集的均值和標(biāo)準(zhǔn)差。除了應(yīng)用不同的裁剪規(guī)模外,為了進(jìn)一步提高分類器的魯棒性和適應(yīng)性,本文還進(jìn)行了實(shí)時(shí)數(shù)據(jù)擴(kuò)充,在將圖像發(fā)送到ResNet模型之前立即實(shí)施數(shù)據(jù)擴(kuò)充。為了增強(qiáng)對(duì)不變表示的學(xué)習(xí),通過(guò)幾何運(yùn)算和譜運(yùn)算將訓(xùn)練數(shù)據(jù)集的圖像進(jìn)行隨機(jī)變換,使分類器在每個(gè)時(shí)間點(diǎn)都使用不同的不變圖像數(shù)據(jù)集進(jìn)行訓(xùn)練。比如,首先對(duì)圖像進(jìn)行水平或垂直的隨機(jī)翻轉(zhuǎn),再隨機(jī)旋轉(zhuǎn)90°。然后,通過(guò)在適當(dāng)范圍內(nèi)隨機(jī)調(diào)整其對(duì)比度、亮度和銳度來(lái)對(duì)圖像的光譜空間進(jìn)行擾動(dòng)。最后進(jìn)行歸一化,即用均值減去變換后的圖像,然后除以標(biāo)準(zhǔn)差。

      此外,本文標(biāo)簽采用的是獨(dú)熱編碼,將標(biāo)簽的數(shù)值轉(zhuǎn)換為具有3個(gè)元素的一維向量。例如,將開(kāi)裂圖像的標(biāo)簽(數(shù)值1)轉(zhuǎn)換為向量(<0,1,0>)。這表示圖像屬于開(kāi)裂類別的概率為1.0,而屬于其他2個(gè)類別的概率為0.0。這樣的變換可以將分類器的預(yù)測(cè)結(jié)果與轉(zhuǎn)換后的標(biāo)簽進(jìn)行比較,從而利用反向傳播以優(yōu)化模型參數(shù)。

      損失函數(shù)采用分類交叉熵(CC)。將每個(gè)類別標(biāo)簽的損失之和作為圖像的損失值,如下所示:

      (4)

      其中,l=0、1和2代表無(wú)病害、開(kāi)裂和剝落的類別;yl表示類別l的獨(dú)熱編碼標(biāo)簽;p1表示分類器預(yù)測(cè)的屬于l類的概率,因此p0+p1+p2=1.0。本文采用小批量訓(xùn)練,并使用ADAM[18]作為優(yōu)化算法。為了確保結(jié)果平滑收斂,將初始學(xué)習(xí)率設(shè)置為0.001,且每10次迭代學(xué)習(xí)率會(huì)以0.9的基本因子呈指數(shù)衰減。此外,為了降低性能在迭代過(guò)程中對(duì)權(quán)重的嚴(yán)重依賴、改善通過(guò)網(wǎng)絡(luò)的梯度流、正則化分類器,在每個(gè)卷積層之后立即應(yīng)用批處理進(jìn)行歸一化[15]。在分類器中還應(yīng)用了Dropout[21](比率為0.5)和L2正則化(比率為0.000 1)來(lái)防止過(guò)擬合。

      3.3.4模型驗(yàn)證和測(cè)試

      每次在模型訓(xùn)練之后需進(jìn)行一次模型驗(yàn)證。與訓(xùn)練階段不同,這一階段沒(méi)有數(shù)據(jù)增強(qiáng)和模型優(yōu)化,將歸一化后的原始圖塊逐個(gè)輸入到分類器中來(lái)計(jì)算分類交叉熵和精確度。根據(jù)驗(yàn)證集損失值來(lái)決定是否終止訓(xùn)練過(guò)程,如果驗(yàn)證損失值在連續(xù)30次迭代訓(xùn)練中都沒(méi)有降低,則終止模型訓(xùn)練。選取具有最小驗(yàn)證集損失值的模型作為最佳模型。每次訓(xùn)練和驗(yàn)證過(guò)程約耗時(shí)3 min。

      除了考慮異常提取中檢測(cè)到的可疑公路路面病害,測(cè)試階段與驗(yàn)證階段類似。為了得到圖像屬于無(wú)病害、開(kāi)裂或剝落的概率,將歸一化的圖塊依次發(fā)送給5折交叉驗(yàn)證得到的5個(gè)分類器。然后,概率值最大的類就是圖塊最有可能屬于的類。分類結(jié)果如圖3所示。

      圖3 裂縫圖像識(shí)別結(jié)果

      3.3.5分類器性能評(píng)估

      一次交叉驗(yàn)證的損失值和平均精確度的變化如圖4所示。盡管訓(xùn)練階段的損失值持續(xù)減小,但為了確保不會(huì)發(fā)生嚴(yán)重的過(guò)擬合,本文選擇最小驗(yàn)證損失處的權(quán)重參數(shù)。此外,本文總結(jié)了交叉驗(yàn)證所有折的每個(gè)類的驗(yàn)證精確度。其中,開(kāi)裂和剝落的分類性能較好,分別在94.2%~96.1%和92.8%~94.5%范圍內(nèi)。然而,無(wú)病害類別的準(zhǔn)確性略低,約為90.6%~92.8%。這是由于圖像子集包括不同照相距離、照明和拍攝角度獲得的無(wú)病害圖像和不同公路路面中的物體圖像,子集較為復(fù)雜。

      圖4 一次交叉驗(yàn)證的損失值和精確度變化

      3.4 應(yīng)用實(shí)例分析

      公路路面病害識(shí)別的最終目的是對(duì)路面病害信息進(jìn)行統(tǒng)計(jì)和匯總,為公路路面的養(yǎng)護(hù)提供充足的數(shù)據(jù)支持。因此,為了分析本文提出的基于深度學(xué)習(xí)的路面病害智能化檢測(cè)系統(tǒng)的有效性,本文對(duì)長(zhǎng)沙市內(nèi)多條城市道路主干道(云棲路羅家嘴立交橋至長(zhǎng)潭高速路段)進(jìn)行了深度學(xué)習(xí)病害檢測(cè)。為了對(duì)檢測(cè)結(jié)果進(jìn)行對(duì)比,同時(shí)對(duì)該路段進(jìn)行了人工視覺(jué)病害檢測(cè)。所識(shí)別的路面病害結(jié)果樣例見(jiàn)圖 5。

      (a) 開(kāi)裂識(shí)別結(jié)果

      表1與表2所示為路面開(kāi)裂和剝落的檢測(cè)結(jié)果,其中人工檢測(cè)對(duì)開(kāi)裂和剝落同時(shí)進(jìn)行,因此根據(jù)開(kāi)裂和剝落的比例計(jì)算分別的耗時(shí);智能檢測(cè)耗時(shí)包括采集的數(shù)據(jù)進(jìn)行處理、模型訓(xùn)練和測(cè)試的全過(guò)程。對(duì)比結(jié)果中人工檢測(cè)和智能檢測(cè)結(jié)果可得:

      a.人工檢測(cè)和智能檢測(cè)結(jié)果基本一致,各項(xiàng)檢測(cè)指標(biāo)準(zhǔn)確率誤差不超過(guò)10%,滿足我國(guó)工程檢測(cè)的需求。相比于人工檢測(cè),智能檢測(cè)耗時(shí)更短,且不會(huì)影響正常公路交通。

      (b) 剝落識(shí)別結(jié)果

      b.與人工檢測(cè)結(jié)果相比,智能檢測(cè)結(jié)果相對(duì)粗糙,但準(zhǔn)確率仍高于90%。造成誤差的原因主要包括:① 沿途拍照獲取數(shù)據(jù)集不夠全面;② 部分病害特征提取不完整,尤其是部分病害圖像。

      表1 開(kāi)裂病害統(tǒng)計(jì)結(jié)果Table 1 Statistical results of cracking類別準(zhǔn)確率/%耗時(shí)/h人工檢測(cè)9949智能檢測(cè)92.416

      表2 剝落病害統(tǒng)計(jì)結(jié)果Table 2 Statistical results of spalling類別準(zhǔn)確率/%耗時(shí)/h人工檢測(cè)9932智能檢測(cè)90.714

      4 結(jié)論

      本文提出了一種基于深度學(xué)習(xí)的公路路面病害智能化檢測(cè)系統(tǒng)。首先,拍攝了200張公路路面病害圖并通過(guò)裁剪將圖像轉(zhuǎn)化成256×256像素的圖塊,以此為訓(xùn)練集。整個(gè)公路路面病害檢測(cè)系統(tǒng)包括3個(gè)階段:異常檢測(cè)、異常提取和公路路面病害分類。在異常檢測(cè)階段,構(gòu)建卷積編碼器從大量公路路面圖像中提取出病害圖。然后,在異常提取階段,利用閾值分割法提取公路路面病害特征。最后,在公路路面病害分類階段,利用ResNet結(jié)構(gòu)訓(xùn)練模型來(lái)確定公路路面病害所屬的分類。結(jié)果表明,該方法一次模型訓(xùn)練約3 min,且分類準(zhǔn)確率在90%以上。對(duì)公路路面的實(shí)例研究表明,本文提出的智能化檢測(cè)方法可以大量節(jié)約人力,并提高檢測(cè)效率。

      猜你喜歡
      圖塊分類器像素
      趙運(yùn)哲作品
      藝術(shù)家(2023年8期)2023-11-02 02:05:28
      像素前線之“幻影”2000
      “像素”仙人掌
      BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
      AutoCAD中圖塊命令的應(yīng)用分析
      優(yōu)化A算法搜索連連看圖塊配對(duì)和消除次序
      加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
      結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
      高像素不是全部
      CHIP新電腦(2016年3期)2016-03-10 14:22:03
      茶壺難題
      新津县| 泗阳县| 金川县| 安龙县| 原平市| 大同市| 穆棱市| 扬中市| 永泰县| 定远县| 句容市| 松桃| 马尔康县| 黔西县| 汝城县| 土默特右旗| 开平市| 宣恩县| 垦利县| 偏关县| 马山县| 庐江县| 武安市| 霞浦县| 旌德县| 镇坪县| 开江县| 横峰县| 双辽市| 鸡泽县| 文昌市| 涡阳县| 普安县| 合作市| 嘉荫县| 泗阳县| 曲阜市| 新和县| 富锦市| 清丰县| 惠州市|