文献类型：期刊文章

作　　者：陈晓冬[1] 艾大航[1] 张佳琛[1] 蔡怀宇[1] 崔克让[2]

CHEN Xiao-Dong;AI Da-Hang;ZHANG Jia-Chen;CAI Huai-Yu;CUI Ke-Rang(Key Laboratory of Photoelectric Information,Ministry of Education,School of Precision Instrument and Optoelectronics Engineering,Tianjin University,Tianjin 300072,China;Tianjin Highway Engineering Design and Research Institute,Tianjin 300201,China)

机构地区：[1]天津大学精密仪器与光电子工程学院光电信息技术教育部重点实验室,天津300072 [2]天津市公路工程设计研究院,天津300201

出　　处：《中国光学》

基　　金：天津市交通运输科技发展项目(No.2019-03)。

年　　份：2020

卷　　号：13

期　　号：6

起止页码：1293-1301

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、UPD、WOS、ZGKJHX、核心刊

摘　　要：针对神经网络难以从数据量较少、较单一的路面裂缝图像中提取有效特征的局限性,设计了一种融合Gabor滤波器的卷积神经网络模型(Gabor Filter Convolutional Neural Network,GF-CNN)以进行路面裂缝检测。GF-CNN模型首先将路面图像输入小型参数预测网络中,依据输入图像自适应地选取Gabor滤波器组的参数,并根据所预测参数构建滤波器组对初始路面图像进行滤波,得到Gabor纹理特征图。将纹理特征图输入至基于残差网络构建的特征分类网络中提取深层特征,判断其是否包含裂缝。在GAPs路面图像数据集上的测试结果表明,GF-CNN模型的F1分数达到0.7137,优于其他路面图像检测方法。该模型通过融合纹理特征改善CNN特征提取能力,同时降低Gabor滤波器参数敏感性以提高模型泛化能力,对于路面裂缝图像具有良好的适用性。

关 键 词：卷积神经网络 GABOR滤波 裂缝检测  纹理特征

分 类 号：TP391.4]