文献类型：期刊文章

作　　者：张跃飞[1,2] 王敬飞[3,4] 陈斌[2,5] 冯涛[1,2] 陈志毅[3,4]

ZHANG Yuefei;WANG Jingfei;CHEN Bin;FENG Tao;CHEN Zhiyi(Chengdu Institute of Computer Applications,Chinese Academy of Sciences,Chengdu Sichuan 610041,China;University of Chinese Academy of Sciences,Beijing 100049,China;Guangdong Hualu Transport Technology Company Limited,Guangzhou Guangdong 510420,China;Guangdong Jiaoke Testing Company Limited,Guangzhou Guangdong 510420,China;Guangzhou Institute of Electronic Technology,Chinese Academy of Sciences,Guangzhou Guangdong 510075,China)

机构地区：[1]中国科学院成都计算机应用研究所,成都610041 [2]中国科学院大学,北京100049 [3]广东华路交通科技有限公司,广州510420 [4]广东交科检测有限公司,广州510420 [5]中国科学院广州电子技术研究所,广州510075

出　　处：《计算机应用》

年　　份：2020

卷　　号：40

期　　号：S02

起止页码：162-165

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对复杂场景下,Mask R-CNN检测公路裂缝掩码拟合质量不高的问题,提出一种基于改进的Mask RCNN的路面裂缝检测算法。首先,采用自适应带权重的损失函数,从而以权重的方式让神经网路更加注重细微裂缝的特征;然后,在Mask R-CNN的掩码支路中,添加一个新的比例预测分支来指导损失函数,让神经网路在学习过程中更加注重裂缝的细节信息,进而提升掩码预测的质量。为了验证改进算法的有效性,将其与当前具有代表性的实例分割检测方法(如Mask R-CNN、PANet)在相同数据集上进行对比。实验结果表明,改进的算法提升了掩码拟合的质量,增加了检测精度。

关 键 词：公路裂缝检测  深度学习  目标检测 Mask R-CNN  实例分割  语义分割  

分 类 号：TP183] TP314.41]