基于深度学习方法的路面裂缝目标检测  

作　　者：付强 卜凡民 任洪鹏 巩建 

机构地区：[1]中国人民解放军96911部队,北京市100011 [2]中交建筑集团北京检测科技有限公司,北京市101107 [3]路网新通(北京)交通科技有限公司,北京市100015

出　　处：《公路》2023年第9期395-405,共11页Highway

基　　金：2020年交通运输标准(定额)项目,项目编号2020-04-048;交通运输部建设科技项目,项目编号2015 318 X11 290;浙江省交通科技研究项目,项目编号ZJXL-SGL-201807。

摘　　要：公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别,尤其在众多路面信息图像中高效甄别各类表观病害,为路面技术状况评定、养护科学决策和路面病害处置提供基础数据,是当前领域研究的重难点。为此,对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析,确定了自动识别裂缝样本标注方法,构建了路面裂缝目标检测样本库,包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证,开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证,并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明,开展路面裂缝目标检测可通过提出的深度学习方法,有效提高召回率和准确率,其值高达85%以上,自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。

关 键 词：路面养护 裂缝识别 路面图像 Faster-RCNN 目标检测 

分 类 号：U416.2[交通运输工程—道路与铁道工程] U418.6