基于深度学习的道路裂缝快速检测研究
Journal: Project Engineering DOI: 10.12238/pe.v3i6.18036
Abstract
道路裂缝是影响交通基础设施安全性与耐久性的核心病害,及时精准检测对养护决策至关重要。针对传统人工检测效率低、主观性强,常规机器视觉方法抗干扰能力弱的问题,提出一种基于轻量化卷积神经网络的道路裂缝快速检测方法。通过构建包含1200张不同路况、光照条件的裂缝图像数据集,采用自适应中值滤波与直方图均衡化进行预处理,优化YOLOv5网络的颈部特征融合结构,引入深度可分离卷积降低模型参数量。实验结果表明,该方法检测准确率达96.3%,召回率95.7%,单张图像检测耗时仅28ms,较传统方法效率提升4倍以上,较原始YOLOv5模型参数量减少32%。该研究实现了复杂环境下道路裂缝的快速精准识别,为道路养护智能化提供技术支撑,具有重要工程应用价值。
Keywords
道路裂缝检测；深度学习；轻量化网络；快速识别
Full Text
PDF - Viewed/Downloaded: 0 TimesReferences
[1] 赵祥模,马建,杨琪,等.智能交通系统发展现状与未来趋势[J].中国公路学报,2019,32(1):1-16.
[2] 李清泉,毛庆洲,王密.路面病害智能检测技术研究进展[J].测绘学报,2020,49(3):321-336.
[3] 王飞跃,江永全,刘连浩.基于机器视觉的路面裂缝检测方法综述[J].交通运输工程学报,2020,20(2):123-138.
[4] 刘偲,张宁,陈艳.基于注意力机制的路面裂缝语义分割模型[J].中国图象图形学报,2021,26(5):1120-1130.
[5] 张绍明,李军,王磊.基于改进U-Net的路面细裂缝分割算法[J].公路交通科技,2021,38(7):36-43.
[6] 陈凯,赵红华,李明.轻量化YOLOv3在路面裂缝实时检测中的应用[J].计算机工程与应用,2022,58(12):234-240.
[7] 杨东,周建庭,李雪峰.基于自适应阈值与CNN的路面裂缝检测方法[J].建筑材料学报,2022,25(3):789-796.
[8] 黄福伟,吴建兵,张勇.基于多尺度特征融合的路面裂缝检测模型[J].仪器仪表学报,2023,44(2):189-197.
[9] 周伟,陈晓峰,王强.基于模型剪枝的路面裂缝快速检测算法[J].计算机应用研究,2023,40(5):1567-1571.
[2] 李清泉,毛庆洲,王密.路面病害智能检测技术研究进展[J].测绘学报,2020,49(3):321-336.
[3] 王飞跃,江永全,刘连浩.基于机器视觉的路面裂缝检测方法综述[J].交通运输工程学报,2020,20(2):123-138.
[4] 刘偲,张宁,陈艳.基于注意力机制的路面裂缝语义分割模型[J].中国图象图形学报,2021,26(5):1120-1130.
[5] 张绍明,李军,王磊.基于改进U-Net的路面细裂缝分割算法[J].公路交通科技,2021,38(7):36-43.
[6] 陈凯,赵红华,李明.轻量化YOLOv3在路面裂缝实时检测中的应用[J].计算机工程与应用,2022,58(12):234-240.
[7] 杨东,周建庭,李雪峰.基于自适应阈值与CNN的路面裂缝检测方法[J].建筑材料学报,2022,25(3):789-796.
[8] 黄福伟,吴建兵,张勇.基于多尺度特征融合的路面裂缝检测模型[J].仪器仪表学报,2023,44(2):189-197.
[9] 周伟,陈晓峰,王强.基于模型剪枝的路面裂缝快速检测算法[J].计算机应用研究,2023,40(5):1567-1571.
Copyright © 2025 李强
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License