文献类型：期刊文章

作　　者：倪昌双[1] 李林[2] 罗文婷[2] 秦勇[3,4] 杨振[1] 傅幼华[1]

NI Changshuang;LI Lin;LUO Wenting;QIN Yong;YANG Zhen;FU Youhua(School of Communications and Civil Engineering,Fujian Agriculture and Forestry University,Fuzhou 350100,China;School of Transportation Engineering,Nanjing Tech University,Nanjing 211816,China;State Key Laboratory of Rail Transit Control and Safety,Beijing Jiaotong University,Beijing 100084,China;School of Traffic and Transportation,Beijing Jiaotong University,Beijing 100084,China)

机构地区：[1]福建农林大学,交通与土木工程学院,福州350100 [2]南京工业大学,交通运输工程学院,南京211816 [3]北京交通大学轨道交通控制与安全国家重点实验室,北京100084 [4]北京交通大学交通运输学院,北京100084

出　　处：《计算机工程与应用》

基　　金：国家重点研发计划项目(2021YFB3202901);福建省高校产学合作重大项目(2020H6009);轨道交通控制与安全国家重点实验室(北京交通大学)开放课题(RCS2020K004)。

年　　份：2023

卷　　号：59

期　　号：13

起止页码：305-316

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统卷积网络对沥青路面病害检测时存在的检测精度低、定位不准等问题,提出一种基于改进YOLOv7的沥青路面病害检测算法。针对激光图像的成像特征,使用组合滤波-三直方图均衡化算法弱化背景环境干扰;使用K-means++聚类算法进行初始锚框设置来加快模型收敛速度;然后将多头自注意力机制与最大池化层结合代替模型主干框架中部分卷积层,提高卷积网络对于目标物全局特征学习能力;使用漏斗激活函数F-ReLU作为主干网络中的激活函数以扩大卷积层的感受野范围;最后使用A-SIOU损失函数优化模型边界框回归,加快模型收敛的同时提高训练精度。实验结果表明,改进后的检测算法对病害检测的平均精度均值、精确率和召回率相较原网络提升了7.7、9.4与5.8个百分点,具有较好的识别精度。在实际工程应用中,对各路段的路面状况指数的计算偏差均小于1%,对推进路面病害的智能化检测具有重要意义。

关 键 词：路面病害检测  深度学习  激光图像  多头自注意力机制  损失函数 激活函数

分 类 号：TP391.4]