基于Faster R-CNN的道路裂縫識別
2020年電子技術應用第7期
李太文，范昕煒
中國計量大學 質量與安全工程學院，浙江 杭州310000
摘要： 傳統(tǒng)的道路裂縫識別方法有基于R-CNN、SPPnet、HOG+SVM等多種方法，但識別精度低、檢測速度慢。針對這些缺點，提出一種基于Faster R-CNN的道路裂縫識別方法。首先，采集道路裂縫圖像，建立Pascal VOC數(shù)據集；其次，基于谷歌開發(fā)的TensorFlow深度學習框架，用數(shù)據集對Faster R-CNN進行訓練并分析各項性能參數(shù)指標。實驗結果表明，在迭代20 000次的情況下，可將訓練損失降到0.188 5，AP值達到0.780 2，取得了良好效果。
中圖分類號： TN13
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.191412
中文引用格式： 李太文，范昕煒. 基于Faster R-CNN的道路裂縫識別[J].電子技術應用，2020，46(7)：53-56，59.
英文引用格式： Li Taiwen，F(xiàn)an Xinwei. Road crevice recognition based on Faster R-CNN[J]. Application of Electronic Technique，2020，46(7)：53-56，59.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.191412
中文引用格式： 李太文，范昕煒. 基于Faster R-CNN的道路裂縫識別[J].電子技術應用，2020，46(7)：53-56，59.
英文引用格式： Li Taiwen，F(xiàn)an Xinwei. Road crevice recognition based on Faster R-CNN[J]. Application of Electronic Technique，2020，46(7)：53-56，59.
Road crevice recognition based on Faster R-CNN
Li Taiwen，F(xiàn)an Xinwei
School of Quality and Safety Engineering，China Jiliang University，Hangzhou 310000，China
Abstract： Traditional road crack recognition methods are based on R-CNN, SPPnet, HOG+SVM and other methods, but the recognition accuracy is low and the detection speed is slow. In view of these shortcomings, a road crack recognition method based on Faster R-CNN is proposed. Firstly, road crack images were collected to build Pascal VOC data set. Secondly, the TensorFlow deep learning framework developed based on Google trains the Faster R-CNN with data sets and analyzes various performance parameters. The experimental results show that the training loss can be reduced to 0.188 5 and the AP value can reach 0.780 2 in the case of 20 000 iterations, achieving good results.
Key words : machine learning；deep learning；CNN；road cracks；Faster-RCNN
0 引言
近幾十年公路在中國得到蓬勃發(fā)展，保養(yǎng)維護也日益成為一個問題，需要定期對路面狀況進行檢查，以便制定相應的維護策略，其中重要的一項指標是路面裂縫。若能在裂縫的出現(xiàn)初期就能發(fā)現(xiàn)，并及時跟蹤它的發(fā)展情況，那么它的維護費用將大大降低。如何在不影響正常的交通情況下對整段路面進行實時的監(jiān)測，成為亟待解決的一大難題。傳統(tǒng)的基于人工視覺的識別方法越來越不能適應高速公路發(fā)展的要求，其耗人力、耗時、危險、花費高、效率低，還影響正常的交通。計算機高性能處理器、大容量存儲器以及圖像處理技術的快速發(fā)展，使得路面裂縫的實時自動識別與識別技術成為可能。文獻[1]提出基于改進K-means算法的不均勻光照下道路裂縫識別，文獻[2]對基于數(shù)字圖像的混凝土道路裂縫識別方法進行了描述，傳統(tǒng)的裂縫目標識別算法有基于SVM[3-4]、HOG[5]特征和DPM[6]等多種方法，但這些方法在識別過程中分多個階段進行識別，精度不高且檢測速度慢。針對傳統(tǒng)的裂縫目標識別方法存在的不足，本文提出一種基于Faster-RCNN[7]（Faster Region-Convolutional Neural Network）的道路裂縫識別方法，不僅可以自動提取裂縫特征，而且在識別精度和檢測速度方面也取得了良好的效果。
本文詳細內容請下載:http://m.xxav2194.com/resource/share/2000002900
作者信息:
李太文，范昕煒
(中國計量大學 質量與安全工程學院，浙江 杭州310000)
此內容為AET網站原創(chuàng)，未經授權禁止轉載。