关键词:
深度学习技术
道路裂缝图像
数字图像处理
卷积神经网络
Yolov4
摘要:
加快我国建设成为交通强国,是中共中央一项战略性决策,是社会主义新时代进一步做好现代交通运输基础工作的总战略抓手。交通运输部统计资料表明,截止至2022年4月26日,全国高速公路总里程已达528万公里,基本构成了以公路为骨架、以普通干线为脉络、以农村公路为基础的全国公路网。目前城市道路发展建设总体速度也已明显趋于平缓,随着道路使用年限的不断增加,采取公路安全设施精细化、实施公路灾害防治工程、强化养护工程设计等系列措施显得尤为重要。在各种类型的路面病害中,道路裂缝是最常见的一种。目前日常的路面检测工作通过人工实地走查完成,而这种方法不但耗时费力,同时还产生了很大的安全隐患。因此为了解决人工检测道路裂缝方法中耗时费力等问题,本文对道路裂缝问题进行了研究并实现了从采集路面图像后到检测结果输出的一系列过程。为了提高裂缝图像质量,本文考虑了以下几个问题:第一,在采集阶段由于设备在使用过程中会产生噪声,需要先对图像进行降噪;第二,拍摄阶段由于光线不均匀而造成的亮度不佳,需要对图像的明暗亮度进行调整;第三,为了扩充数据集,需要对图像数据进行旋转、改变分辨率等系列操作。本文使用Labelimg制作道路裂缝数据集,并将图像分为五种属性。本文采用了名为Yolov4的深度学习算法,对道路裂缝图像数据进行训练和测试,从而实现对道路裂缝的检测和识别。为了提升深度学习算法的性能,本文依次进行了如下操作:模型数据预处理、网络模型参数初始化、调整训练过程中的学习速率和迭代次数等。本文采用Python中自带的Pyqt5库设计GUI界面,并设计了一套基于Windows平台的应用程序,名为“道路裂缝识别软件”,该软件能够实现基于深度学习技术对道路裂缝进行检测和识别,并能在较短的时间内给出裂缝的类型、宽度、高度、面积和识别分数等属性信息。本文的创新之处主要有两个方面:第一,先对采集的道路裂缝图像进行传统的图像处理操作,在确保图像质量的基础上,再对裂缝图像数据集进行扩充,然后运用深度学习算法Yolov4对裂缝图像进行训练与测试,使得道路裂缝识别的MAP值达到74.78%,FPS达到36.83。第二,本文从用户使用的便利性和拓宽裂缝识别应用领域的角度出发,设计了一款自动化识别道路裂缝的应用程序,能够达到以可视化的形式及时准确地判断出裂缝的类型、长宽、面积等属性信息。