论文部分内容阅读
目前沥青路面病害检测主要依靠工程车沿道路线行驶,用CCD摄像机采集路面图像,然后进行集中分析处理,在数据量大的情况下非常耗费人力,尤其面对沥青道路的日益扩张,路面病害检测技术亟待提升。有相关研究尝试采用传统机器学习方法解决路面病害图像分类问题,但该类方法以浅层模型为主,一方面模型结构简单,层次数目少,特征提取主要依靠人工完成,很难挖掘出深层次特征,表达能力受限,分类效果并不理想;另一方面道路病害类型多样、形态复杂,采集的路面图像易受到车道线、光照、阴影等污染,常规的图像预处理手段很难适应如此复杂的环境。随着人工智能的迅速发展,基于深度学习的交通领域相关技术智能化受到大量关注,考虑到卷积神经网络尤其擅长处理图像分类问题,本文重点基于CNN方法对沥青路面病害图像的分类识别进行相关研究。主要研究内容如下:第一,提出基于Mask-RCNN与改进Criminisi的沥青路面图像车道线移除方法。以解决含车道线的路面图像数量较多,容易影响CNN最终分类效果的问题。首先利用Mask-RCNN检测车道线区域,依靠检测出的掩模移除车道线,然后用改进Criminisi算法填充空白区域,完成车道线移除。对比实验表明:经所提算法处理后的新数据集在AlexNet模型上准确率提升约3%。第二,提出融合Mask匀光与伽玛校正的光照均衡方法。以解决采集的路面图像质量较差,存在含干扰噪声或光照不均匀等问题。首先采用Mask匀光法完成图像的初步光照校正,再融合伽玛校正法进一步调整图像亮度,增强其对比度,完成光照均衡,其中伽玛系数通过二分法在自定义伽玛列表中查找获取。实验表明:经光照均衡后的新数据在AlexNet模型上虽然准确率提升不明显,但收敛性更好。第三,提出基于CNN的沥青路面病害图像分类方法。针对传统机器学习方法的局限性,将CNN引入到沥青路面图像分类中来。重点介绍AlexNet、VGGNet、GoogleNet和ResNet四种经典分类模型,并根据实际需求改进或优化相关网络结构。实验表明:四种模型的性能表现为:ResNet>GoogleNet>AlexNet>VGGNet,以迭代10000次为例,在测试集上的分类准确率分别为99.75%、99.08%、98.67%、82.25%,分类结果明显优于SVM方法。结论:本文研究有效解决了沥青路面病害图像分类识别问题,其中:车道线移除方法能较好解决分类时的车道线干扰问题;光照均衡方法明显提升路面图像质量,解决光照不均匀问题;采用ResNet在沥青路面病害图像分类中效果最好。