文献类型：期刊文章

作　　者：陈晓芳[1] 李季[1]

CHEN Xiaofang;LI Ji(School of Physics and Electronic Engineering,Fuyang Normal University,Fuyang Anhui 236037,China)

机构地区：[1]阜阳师范大学物理与电子工程学院,安徽阜阳236037

出　　处：《计算机应用》

基　　金：安徽省高校自然科学重大项目后继项目(2018HXXM34);阜阳市政府-阜阳师范学院横向合作项目(XDHXPT201710)。

年　　份：2021

卷　　号：41

期　　号：S02

起止页码：81-85

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：针对如何方便、快速、准确地检测常见的路面损害问题,提高路面损害的检测效率,选取三种常用的OneStage目标检测算法(SSD、YOLOv3、RetinaNet),以智能手机拍照的方式收集路面损害数据,利用LabelImg工具制作图像标签数据集,通过替换其主干网络的方式训练了6种检测模型(SSD-MobileNetv1、YOLOv3-MobileNetv1、YOLOv3-DarkNet53、YOLOv3-ShuffleNetv2、YOLOv3-ResNet50、RetinaNet-ResNet50),并采用两组不同类型的数据集(路面背景较为干净的数据集A和路面背景含有大量树枝阴影和水渍的数据集B)对上述6种模型的检测性能进行对比分析。实验结果表明:在检测精度方面,YOLOv3-ResNet50模型的检测精度高于另外5种算法模型,比YOLOv3-MobileNetv1模型提高1.6个百分点,比RetinaNet-ResNet50模型提高3.7个百分点,比YOLOv3-DarkNet53模型提高4.5个百分点;在模型参数规模方面,SSD-MobileNetv1模型最轻且参数规模最小,比YOLOv3-MobileNetv1模型减少76.9%的参数量,比YOLOv3-ShuffleNetv2模型减少21.4%的参数量;在模型漏检和误检率方面,YOLOv3-DarkNet53模型的漏检率最低(7/403),YOLOv3-MobileNetv1模型的误检率最低(8/403)、鲁棒性最好。因此YOLOv3-ResNet50算法模型适合用于路表面较为干净且精度要求较高的路面损害检测;SSD-MobileNetv1和YOLOv3-ShuffleNetv2的参数规模较小,可应用于嵌入式设备的检测;YOLOv3-MobileNetv1不易受路面条件的干扰,能够满足正常路面检测要求。

关 键 词：路面损坏 目标检测 主干网络 检测精度  鲁棒性  

分 类 号：TP391] U418.6[计算机类]