登录    注册    忘记密码

期刊文章详细信息

基于改进YOLOv4的公路路面病害检测算法    

Road Surface Disease Detection Algorithm Based on Improved YOLOv4

  

文献类型:期刊文章

作  者:罗晖[1] 贾晨[1] 李健[1]

Luo Hui;Jia Chen;Li Jian(School of Information Engineering,East China JiaoTong University,Nanchang,Jiangxi 330013,China)

机构地区:[1]华东交通大学信息工程学院,江西南昌330013

出  处:《激光与光电子学进展》

基  金:江西省重点研发计划项目(20202BBEL53001)。

年  份:2021

卷  号:58

期  号:14

起止页码:328-336

语  种:中文

收录情况:BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘  要:针对公路路面病害存在的类别多、尺度变化大及样本数据集小导致的病害检测困难等问题,提出了基于改进YOLOv4的公路路面多尺度病害检测算法。首先,在CSPDarknet-53骨干网络中采用深度可分离卷积替代普通卷积,降低了网络参数计算量;然后,基于Focal loss改进YOLOv4的损失函数,解决了网络训练过程中正、负样本不平衡而导致的检测精度较低的问题;最后,借助迁移学习思想对YOLOv4网络进行预训练,并运用翻转、裁剪、亮度变换、噪声扰动等方法进行数据集扩充,解决了公路路面病害样本不足导致的网络训练过拟合问题。实验结果表明,所提基于YOLOv4+DC+FL算法对公路路面病害检测的平均精度均值可达到93.64%,相较于原始的YOLOv4检测网络提高了3.25%,检测每张图片平均时间为35.8 ms,缩减了7.9 ms。

关 键 词:图像处理 公路路面病害 YOLOv4  深度可分离卷积  Focal loss  迁移学习  数据增广  

分 类 号:TP391.4]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心