基于多分支深度学习的沥青路面多病害检测方法

为了准确、快速地识别路面多病害,采用一种基于多分支框架的深度学习方法,提取并融合路面图像的大、小尺度特征,将路面二维图像和三维图像作为网络输入,增强病害特征.采集裂缝、条状修补、块状修补、坑槽、松散等沥青路面病害图像共计10 562张,进行人工标注.结果表明:500次训练后该方法的平均交并比为0.83,准确率和召回率的调和平均数F值为0.90,优于U-net、PSPNet、DeepLabv3+等方法;在单一类别上,对条状修补、坑槽、松散、桥接缝等分割效果最优,对裂缝、块状修补的识别展现出较强的鲁棒性;所提方法的识别效果高于仅使用单一输入或者单一分支的方法.因此,双通道和多分支的设计方法可以显著提升网络对多类别路面病害的识别精度.

为道路巡查装上火眼金睛和聪明大脑

在过去的40年历程里,我国交通行业实现了"跨越式"发展,道路设施路网规模位居世界前列,成为名副其实的交通大国.面对海量道路设施资产的管理难题,《交通强国发展纲要》中明确提出:完善设施数字化感知系统,构建数据驱动运行机制.道路设施数字化治理已成为交通大国向交通强国迈进的必然举措.