文献类型：期刊文章

作　　者：侯越[1] 陈逸涵[1] 顾兴宇[2] 茅荃[3] 曹丹丹[1] WANG Lin-bing[4] 荆鹏[1]

HOU Yue;CHEN Yi-han;GU Xing-yu;MAO Quan;CAO Dan-dan;WANG Lin-bing;JING Peng(School of Metropolitan Transportation,Beijing University of Technology,Beijing 100124,China;School of Transportation,Southeast University,Nanjing 210096,Jiangsu,China;Jiangsu Xiandai Road&Bridge Co,Ltd.,Nanjing 210096,Jiangsu,China;Department of Civil and Environmental Engineering,Virginia Polytechnic Institute and State University,Blacksburg VA 24061,Virginia,USA)

机构地区：[1]北京工业大学北京市交通工程重点实验室,北京100124 [2]东南大学交通学院,江苏南京210096 [3]江苏现代路桥有限责任公司,江苏南京210096 [4]弗吉尼亚理工大学土木工程与环境工程系,弗吉尼亚黑堡VA24061

出　　处：《中国公路学报》

基　　金：国家自然科学基金项目(51708026);国家重点研发计划项目(2017YFF0205600);北京工业大学国际科研合作种子基金项目(2018A08);北京市科技创新服务能力建设-基本科研业务费(科研类PXM2019_014204_500032)。

年　　份：2020

卷　　号：33

期　　号：10

起止页码：288-303

语　　种：中文

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

摘　　要：目前基于深度学习的路面裂缝识别经常面临训练数据集小,以及路面图片标注成本高等问题,基于小规模路面图片数据集,利用卷积自编码(CAE)方法进行数据增强,开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上,采用CAE重构图片方法对原始数据集进行两步骤扩增;利用卷积神经网络DenseNet,设置了不同数据扩增方法的对比试验;针对沥青路面裂缝图片背景较黑,裂缝特征不清晰,无监督聚类学习难度大等问题,采用了一种基于CAE预训练的深度聚类算法DCEC,对经数据增强的路面图片进行无标注的聚类识别。研究结果表明:经过DenseNet网络100代的训练,在同一测试集的测试下,基于原始数据集训练的网络分类准确度为78.43%,利用传统图像处理方法进行扩增后准确度为83.44%,利用所提出的图片增强方法进行数据扩增后准确度达87.19%;在保持扩增后数据集样本量大小相同的情况下,与几何变换、像素颜色变换等经典数据增强手段相比,CAE重构图片的数据扩增方法有较高的路面图片识别精度;CAE数据扩增方法较受训练数据集样本量的影响,利用传统方法将数据集扩增后进行CAE特征学习,重构后的图片样本更易被机器识别;相较于传统机器学习聚类算法,所提出的的DCEC深度聚类方法将聚类准确率提升了约10%,初步实现了无需人工标注的路面目标的端到端智能识别。

关 键 词：道路工程 路面裂缝检测 深度学习  卷积自编码器  深度聚类  数据增强  

分 类 号：U416.217]