文献类型：期刊文章

作　　者：王丽苹[1] 高瑞贞[2] 张京军[2] 王二成[1]

WANG Li-ping;GAO Rui-zhen;ZHANG Jing-jun;WANG Er-cheng(College of Civil Engineering,Hebei University of Engineering,Handan,Hebei 056038,China;School of Mechanical and Equipment Engineering,Hebei University of Engineering,Handan,Hebei 056038,China)

机构地区：[1]河北工程大学土木工程学院,河北邯郸056038 [2]河北工程大学机械与装备工程学院,河北邯郸056038

出　　处：《计算机科学》

基　　金：河北省自然科学基金项目(F2017402182);河北省教育厅高等学校科学研究项目(ZD2018207)资助

年　　份：2019

卷　　号：46

期　　号：S11

起止页码：584-589

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：混凝土道路路面中,裂缝的出现常常会导致重大的工程和经济问题。目前,利用计算机视觉技术进行裂缝检测时,需人工预先设计特征提取器对提取的图像特征进行分类,导致泛化能力较差和分类性能较弱。文中提出了一种基于卷积神经网络的裂缝检测方法,实现路面缺陷的自动化检测分类并提高路面裂缝检测效率与精度。首先,设计混凝土路面裂缝卷积神经网络,该模型基于AlexNet网络架构,从网络结构层次和超参数两个方面进行优化设计;其次,采用相机收集混凝土路面图像以获得学习数据,根据数据集大小、图像颜色因子的不同,分别创建了10000和20000张的灰色图与彩色RGB图4个数据集;然后,使用创建的4个数据集对设计的混凝土裂缝卷积神经网络进行训练,创建裂缝检测模型并与原始AlexNet模型相比较;最后,通过数据集大小、图像颜色因子与网络结构和超参数等影响因素对比两个模型。实验结果表明,通过增大数据集、使用彩色RGB图、调整网络结构和超参数,所提模型有助于提高分类检测精度。与原始AlexNet网络模型相比,所提网络模型的识别准确率更高,对彩色图像样本的识别准确率最高可达98.5%,同时避免了图像灰度的预处理,提高了裂缝检测的工作效率。

关 键 词：道路路面 裂缝检测  深度学习  卷积神经网络 图像分类

分 类 号：TP391]