基于Faster R-CNN的道路裂缝识别
2020年电子技术应用第7期
李太文，范昕炜
中国计量大学 质量与安全工程学院，浙江 杭州310000
摘要： 传统的道路裂缝识别方法有基于R-CNN、SPPnet、HOG+SVM等多种方法，但识别精度低、检测速度慢。针对这些缺点，提出一种基于Faster R-CNN的道路裂缝识别方法。首先，采集道路裂缝图像，建立Pascal VOC数据集；其次，基于谷歌开发的TensorFlow深度学习框架，用数据集对Faster R-CNN进行训练并分析各项性能参数指标。实验结果表明，在迭代20 000次的情况下，可将训练损失降到0.188 5，AP值达到0.780 2，取得了良好效果。
中图分类号： TN13
文献标识码： A
DOI：10.16157/j.issn.0258-7998.191412
中文引用格式： 李太文，范昕炜. 基于Faster R-CNN的道路裂缝识别[J].电子技术应用，2020，46(7)：53-56，59.
英文引用格式： Li Taiwen，Fan Xinwei. Road crevice recognition based on Faster R-CNN[J]. Application of Electronic Technique，2020，46(7)：53-56，59.
文献标识码： A
DOI：10.16157/j.issn.0258-7998.191412
中文引用格式： 李太文，范昕炜. 基于Faster R-CNN的道路裂缝识别[J].电子技术应用，2020，46(7)：53-56，59.
英文引用格式： Li Taiwen，Fan 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，Fan 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
近几十年公路在中国得到蓬勃发展，保养维护也日益成为一个问题，需要定期对路面状况进行检查，以便制定相应的维护策略，其中重要的一项指标是路面裂缝。若能在裂缝的出现初期就能发现，并及时跟踪它的发展情况，那么它的维护费用将大大降低。如何在不影响正常的交通情况下对整段路面进行实时的监测，成为亟待解决的一大难题。传统的基于人工视觉的识别方法越来越不能适应高速公路发展的要求，其耗人力、耗时、危险、花费高、效率低，还影响正常的交通。计算机高性能处理器、大容量存储器以及图像处理技术的快速发展，使得路面裂缝的实时自动识别与识别技术成为可能。文献[1]提出基于改进K-means算法的不均匀光照下道路裂缝识别，文献[2]对基于数字图像的混凝土道路裂缝识别方法进行了描述，传统的裂缝目标识别算法有基于SVM[3-4]、HOG[5]特征和DPM[6]等多种方法，但这些方法在识别过程中分多个阶段进行识别，精度不高且检测速度慢。针对传统的裂缝目标识别方法存在的不足，本文提出一种基于Faster-RCNN[7]（Faster Region-Convolutional Neural Network）的道路裂缝识别方法，不仅可以自动提取裂缝特征，而且在识别精度和检测速度方面也取得了良好的效果。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000002900
作者信息:
李太文，范昕炜
(中国计量大学 质量与安全工程学院，浙江 杭州310000)
此内容为AET网站原创，未经授权禁止转载。