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]