《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于Faster R-CNN的道路裂縫識(shí)別
基于Faster R-CNN的道路裂縫識(shí)別
2020年電子技術(shù)應(yīng)用第7期
李太文，范昕煒
中國(guó)計(jì)量大學(xué) 質(zhì)量與安全工程學(xué)院，浙江 杭州310000
摘要： 傳統(tǒng)的道路裂縫識(shí)別方法有基于R-CNN、SPPnet、HOG+SVM等多種方法，但識(shí)別精度低、檢測(cè)速度慢。針對(duì)這些缺點(diǎn)，提出一種基于Faster R-CNN的道路裂縫識(shí)別方法。首先，采集道路裂縫圖像，建立Pascal VOC數(shù)據(jù)集；其次，基于谷歌開(kāi)發(fā)的TensorFlow深度學(xué)習(xí)框架，用數(shù)據(jù)集對(duì)Faster R-CNN進(jìn)行訓(xùn)練并分析各項(xiàng)性能參數(shù)指標(biāo)。實(shí)驗(yàn)結(jié)果表明，在迭代20 000次的情況下，可將訓(xùn)練損失降到0.188 5，AP值達(dá)到0.780 2，取得了良好效果。
中圖分類號(hào)： TN13
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.191412
中文引用格式： 李太文，范昕煒. 基于Faster R-CNN的道路裂縫識(shí)別[J].電子技術(shù)應(yīng)用，2020，46(7)：53-56，59.
英文引用格式： Li Taiwen，F(xiàn)an Xinwei. Road crevice recognition based on Faster R-CNN[J]. Application of Electronic Technique，2020，46(7)：53-56，59.
Road crevice recognition based on Faster R-CNN
Li Taiwen，F(xiàn)an Xinwei
School of Quality and Safety Engineering，China Jiliang University，Hangzhou 310000，China
Abstract： Traditional road crack recognition methods are based on R-CNN, SPPnet, HOG+SVM and other methods, but the recognition accuracy is low and the detection speed is slow. In view of these shortcomings, a road crack recognition method based on Faster R-CNN is proposed. Firstly, road crack images were collected to build Pascal VOC data set. Secondly, the TensorFlow deep learning framework developed based on Google trains the Faster R-CNN with data sets and analyzes various performance parameters. The experimental results show that the training loss can be reduced to 0.188 5 and the AP value can reach 0.780 2 in the case of 20 000 iterations, achieving good results.
Key words : machine learning；deep learning；CNN；road cracks；Faster-RCNN

0 引言

    近幾十年公路在中國(guó)得到蓬勃發(fā)展，保養(yǎng)維護(hù)也日益成為一個(gè)問(wèn)題，需要定期對(duì)路面狀況進(jìn)行檢查，以便制定相應(yīng)的維護(hù)策略，其中重要的一項(xiàng)指標(biāo)是路面裂縫。若能在裂縫的出現(xiàn)初期就能發(fā)現(xiàn)，并及時(shí)跟蹤它的發(fā)展情況，那么它的維護(hù)費(fèi)用將大大降低。如何在不影響正常的交通情況下對(duì)整段路面進(jìn)行實(shí)時(shí)的監(jiān)測(cè)，成為亟待解決的一大難題。傳統(tǒng)的基于人工視覺(jué)的識(shí)別方法越來(lái)越不能適應(yīng)高速公路發(fā)展的要求，其耗人力、耗時(shí)、危險(xiǎn)、花費(fèi)高、效率低，還影響正常的交通。計(jì)算機(jī)高性能處理器、大容量存儲(chǔ)器以及圖像處理技術(shù)的快速發(fā)展，使得路面裂縫的實(shí)時(shí)自動(dòng)識(shí)別與識(shí)別技術(shù)成為可能。文獻(xiàn)[1]提出基于改進(jìn)K-means算法的不均勻光照下道路裂縫識(shí)別，文獻(xiàn)[2]對(duì)基于數(shù)字圖像的混凝土道路裂縫識(shí)別方法進(jìn)行了描述，傳統(tǒng)的裂縫目標(biāo)識(shí)別算法有基于SVM[3-4]、HOG[5]特征和DPM[6]等多種方法，但這些方法在識(shí)別過(guò)程中分多個(gè)階段進(jìn)行識(shí)別，精度不高且檢測(cè)速度慢。針對(duì)傳統(tǒng)的裂縫目標(biāo)識(shí)別方法存在的不足，本文提出一種基于Faster-RCNN[7]（Faster Region-Convolutional Neural Network）的道路裂縫識(shí)別方法，不僅可以自動(dòng)提取裂縫特征，而且在識(shí)別精度和檢測(cè)速度方面也取得了良好的效果。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://theprogrammingfactory.com/resource/share/2000002900




作者信息:

李太文，范昕煒

(中國(guó)計(jì)量大學(xué) 質(zhì)量與安全工程學(xué)院，浙江 杭州310000)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。