《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計應(yīng)用 > 基于Faster R-CNN的道路裂縫識別
基于Faster R-CNN的道路裂縫識別
2020年電子技術(shù)應(yīng)用第7期
李太文,,范昕煒
中國計量大學 質(zhì)量與安全工程學院,,浙江 杭州310000
摘要: 傳統(tǒng)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(shù)據(jù)集,;其次,基于谷歌開發(fā)的TensorFlow深度學習框架,,用數(shù)據(jù)集對Faster R-CNN進行訓練并分析各項性能參數(shù)指標,。實驗結(jié)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(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得到蓬勃發(fā)展,,保養(yǎng)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(yīng)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(xiàn)初期就能發(fā)現(xiàn),,并及時跟蹤它的發(fā)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(jiān)測,,成為亟待解決的一大難題。傳統(tǒng)的基于人工視覺的識別方法越來越不能適應(yīng)高速公路發(fā)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(shù)的快速發(fā)展,使得路面裂縫的實時自動識別與識別技術(shù)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(shù)字圖像的混凝土道路裂縫識別方法進行了描述,傳統(tǒng)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(tǒng)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(nèi)容請下載:http://forexkbc.com/resource/share/2000002900




作者信息:

李太文,,范昕煒

(中國計量大學 質(zhì)量與安全工程學院,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,。