文献类型：期刊文章

作　　者：许慧青[1,2] 陈斌[2] 王敬飞[3,4] 陈志毅[3,4] 覃健[5]

XU Huiqing;CHEN Bin;WANG Jingfei;CHEN Zhiyi;QIN Jian(Chengdu Institute of Computer Applications,Chinese Academy of Sciences,Chengdu Sichuan 610041,China;University of Chinese Academy of Sciences,Beijing 101408,China;Guangdong Hualu Transport Technology Company Limited,Guangzhou Guangdong 510420,China;Guangdong Jiaoke Testing Company Limited,Guangzhou Guangdong 510550,China;Guangzhou Electronic Technology Company Limited,Chinese Academy of Sciences,Guangzhou Guangdong 510070,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,北京101408 [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510550 [5]中科院广州电子技术有限公司,广州510070

出　　处：《计算机应用》

年　　份：2022

卷　　号：42

期　　号：1

起止页码：265-272

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对细长路面病害人工检测耗时长和当前检测方法精度不足的问题,依据病害的弱语义特性和异常几何属性,提出了能够精准定位和分类出病害的二阶段细长路面病害检测方法Epd RCNN。首先,针对细长路面病害的弱语义特性,提出了一种复用低层特征并反复融合不同阶段特征的骨干网络;其次,在训练过程中,使用一种符合病害几何属性分布的锚框机制来生成高质量的正样本供网络训练;然后,在单一高分辨率特征图上预测病害包围框,并针对该特征图使用并行级联空洞卷积模块来提升其多尺度特征表达能力;最后,针对形状各异的候选区域,使用由可变形感兴趣区域池化(RoI Pooling)和空间注意力模块组成的候选区域特征改良模块来提取符合病害几何属性的候选区域特征。实验结果表明,所提方法在光照充足图像上的平均准确率均值(mAP)为0.907,在存在光照问题图像上的mAP为0.891,综合mAP为0.899,表明该方法具有良好的检测性能和对光照的鲁棒性。

关 键 词：细长路面病害  卷积神经网络 包围框  几何属性  并行级联空洞卷积  候选区域特征  空间注意力  

分 类 号：TP183]