基于Faster R-CNN的道路裂縫識別
2020年電子技術應用第7期
李太文，范昕煒
中國計量大學 質量與安全工程學院，浙江 杭州310000
摘要： 傳統的道路裂縫識別方法有基于R-CNN、SPPnet、HOG+SVM等多種方法，但識別精度低、檢測速度慢。針對這些缺點，提出一種基于Faster R-CNN的道路裂縫識別方法。首先，采集道路裂縫圖像，建立Pascal VOC數據集；其次，基于谷歌開發的TensorFlow深度學習框架，用數據集對Faster R-CNN進行訓練并分析各項性能參數指標。實驗結果表明，在迭代20 000次的情況下，可將訓練損失降到0.188 5，AP值達到0.780 2，取得了良好效果。
中圖分類號： TN13
文獻標識碼： 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的道路裂縫識別[J].電子技術應用，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.
文獻標識碼： 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的道路裂縫識別[J].電子技術應用，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
近幾十年公路在中國得到蓬勃發展，保養維護也日益成為一個問題，需要定期對路面狀況進行檢查，以便制定相應的維護策略，其中重要的一項指標是路面裂縫。若能在裂縫的出現初期就能發現，并及時跟蹤它的發展情況，那么它的維護費用將大大降低。如何在不影響正常的交通情況下對整段路面進行實時的監測，成為亟待解決的一大難題。傳統的基于人工視覺的識別方法越來越不能適應高速公路發展的要求，其耗人力、耗時、危險、花費高、效率低，還影響正常的交通。計算機高性能處理器、大容量存儲器以及圖像處理技術的快速發展，使得路面裂縫的實時自動識別與識別技術成為可能。文獻[1]提出基于改進K-means算法的不均勻光照下道路裂縫識別，文獻[2]對基于數字圖像的混凝土道路裂縫識別方法進行了描述，傳統的裂縫目標識別算法有基于SVM[3-4]、HOG[5]特征和DPM[6]等多種方法，但這些方法在識別過程中分多個階段進行識別，精度不高且檢測速度慢。針對傳統的裂縫目標識別方法存在的不足，本文提出一種基于Faster-RCNN[7]（Faster Region-Convolutional Neural Network）的道路裂縫識別方法，不僅可以自動提取裂縫特征，而且在識別精度和檢測速度方面也取得了良好的效果。
本文詳細內容請下載:http://m.jysgc.com/resource/share/2000002900
作者信息:
李太文，范昕煒
(中國計量大學 質量與安全工程學院，浙江 杭州310000)
此內容為AET網站原創，未經授權禁止轉載。