文献类型：期刊文章

作　　者：晏班夫[1,2] 徐观亚[1] 栾健[3,4] 林杜[4] 邓露[1,2]

YAN Ban-fu;XU Guan-ya;LUAN Jian;LIN Du;DENG Lu(School of Civil Engineering,Hunan University,Changsha 410082,Hunan,China;Key Laboratory for Wind and Bridge Engineering of Hunan Province,Hunan University,Changsha 410082,Hunan,China;School of Material Science and Engineering,Central South University of Forestry and Technology,Changsha 410004,Hunan,China;Yunnan Aerospace Engineering Geophysical Detecting Co.Ltd.,Kunming 650217,Yunnan,China)

机构地区：[1]湖南大学土木工程学院,湖南长沙410082 [2]湖南大学风工程与桥梁工程湖南省重点实验室,湖南长沙410082 [3]中南林业科技大学材料科学与工程学院,湖南长沙410004 [4]云南航天工程物探检测股份有限公司,云南昆明650217

出　　处：《中国公路学报》

基　　金：国家自然科学基金项目(51578227)。

年　　份：2021

卷　　号：34

期　　号：9

起止页码：181-193

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高基于图像处理的路面表观病害检测识别效率及精度,引入目标检测中的快速区域卷积神经网络(Faster Region Convolutional Neural Network,Faster R-CNN)算法以快速识别病害种类、位置与面积;针对已提取的带边框裂缝病害区域,采用基于VGG16迁移学习与模型微调的CNN与50%重叠率的滑动窗口定位裂缝骨架,进而利用形态法操作提取裂缝形态,计算其长度与宽度;针对Faster R-CNN算法在病害种类识别时漏检率低但误检率偏高的问题,引入精确率、召回率和F1分数指标对算法进行评估,并根据F1分数最大值确定相应的病害框像素面积及置信度阈值来降低误检率,以适应路面表观病害多样化的应用场景。运用开发的病害识别算法对广东一高速公路路面进行表观检测。结果表明:所提方法对典型裂缝图片的识别效率及精度均高于单独应用CNN滑动窗口和传统形态法的全局图像处理方法;对分段的裂缝边界框进行合并,且病害框像素面积及置信度阈值取优化值后,横向裂缝精确率由合并前的0.861提升至合并后的0.918,横向及纵向裂缝误检率则分别由调整前的20.4%和23.8%下降至调整后的8.2%和6.9%,漏检率则稍有提高。基于Faster R-CNN、CNN及形态法的路面病害识别方法具有工作高效、漏检率低的优点,在引入评估指标、最优病害框像素面积与置信度阈值后,病害误检率也大幅降低,具有潜在工程应用价值。

关 键 词：道路工程 路面 Faster R-CNN  病害识别 形态法  

分 类 号：U416.2]