基于改进Mask-RCNN的路面裂缝检测

随着长期的使用,路面会出现大小不一的裂缝。路面裂缝对来往车辆的安全性有较大的潜在危险,针对路面裂缝进行检测很有必要。传统的检测方法依赖于人工的视觉检查,这需要技术人员逐像素地标注每张图像,效率不高且会造成较高的误差。同时,常用的图像处理方法容易受到光照、路面污渍等因素影响,造成检测结果不稳定。为减轻技术人员的工作量,提高路面裂缝的检测效果,提出一种基于Mask-RCNN网络的路面裂缝自动化检测方法。该方法在Mask-RCNN网络基础上,对网络模型的架构和非极大抑制模块进行改进,能够在图像质量不高、具有干扰因素的情况下对路面裂缝进行稳定检测,具有较高的检测性能。在路面裂缝检测实验中,召回率(Recall)、精确率(Precision)及F1值分别达到90.06%,91.25%和90.66%,相较于原始Mask-RCNN网络方法具有较强的优势。

基于改进Deeplab V3+网络的裂缝检测

裂缝是常见的路面损坏现象。由于裂缝容易扩展,对早期裂缝进行检测具有重要的现实意义。传统的人工裂缝检测极其耗时耗力,研究人员已将注意力转向自动裂缝检测。尽管自动裂缝检测在过去几十年中得到了广泛的研究,但由于裂缝的不均匀性和路面环境的复杂性,它仍然是一项具有挑战性的任务。为了解决这些问题,提出一种基于改进的Deeplab V3+网络的路面裂缝分割模型。在原始Deeplab V3+网络的基础上将主干网络替换成resnet-50网络,并对空洞空间卷积池化金字塔模块进行了级联操作。为了验证所提出方法的有效性,在CRACK500数据集上进行了训练和测试。本文方法在CRACK500数据集上的平均交并比(Mean Intersection over Union,MIoU)和平均像素精度(Mean Pixel Accuracy,MPA)达到了0.8315和0.8614,优于原始Deeplab V3+网络的检测结果。

基于U-Net改进的太阳暗条自动检测

提出一种基于改进后的U-Net深度学习网络进行自动识别Hα全日面太阳图像中的太阳暗条方法。这种方法不仅可以准确识别暗条,而且可以最大限度地减少太阳图像噪声的影响。首先,建立一个原始暗条数据集,由深度学习所需的数万张图像组成;其次,使用改进后的U-Net深度卷积网络开发一种用于太阳暗条识别的自动化方法。为了验证该方法的性能,使用一个包含50对手动校正的Hα全日面图像的数据集进行测试,这些图像是从2013年大熊湖太阳天文台/全日面Hα望远镜(BBSO/FDHA)获得的。经过交叉验证,结果表明该技术可以有效地识别全日面Hα图像中的暗条。