基于机器视觉的路面裂缝病害多目标识别研究
【摘要】 为了建立一种基于深度学习卷积神经网络的多目标路面裂缝检测模型，实现对路面裂缝的精确识别、分割与统计，采用卷积神经网络MaskR-CNN为主干框架，融入ResNet模型与特征金字塔网络(FPN)提高对病害特征提取的精度，建立了针对裂缝病害识别的基础网络体系;考虑裂缝病害图像特征，采用随机梯度下降算法与冲量算法优化损失函数以提高对裂缝像素的分类性能，通过在主干网络设定目标区域检测范围并利用掩码实现了裂缝病害的像素级识别与分割;标记大量的路面裂缝图像形成训练数据库，分析了路面裂缝的多目标识别模型有效性。结果表明:损失函数中的权重参数取0.3时，识别模型具备较好的识别精度;通过数据增强可以将有限训练集进行有效扩充，极大提高识别模型的泛化能力与鲁棒性，经过训练后的模型能够正确识别98.9%的裂缝对象与93.6%的裂缝类像素;通过将模型对裂缝病害的识别、分类精度与传统深度学习模型、边缘检测算法相比较，在细微裂缝的识别与非裂缝构造的过滤方面具有显著优势。用MaskR-CNN的主干网络进行ResNet模型与FPN扩展能够有效保留
