改进U型网络的路面缺陷图像分割算法

针对路面缺陷图像存在对比低以及其复杂的拓扑结构,现提出的大部分分割算法,在捕获感受野和提取路面缺陷特征时还存在很大的不足。因此本文提出改进U-Net的路面缺陷图像分割算法。首先,在经典的U-Net的卷积块中提出SN-Disout残差块,增强模型对过拟合的鲁棒性;其次,在编码器与解码器之间引入循环十字交叉模块,增强模型在特征图中不同位置之间捕获特征的能力,对缺陷的边界进行更准确的建模;最后,在解码器中引入空间通道挤压与激励模块,这使得网络能够更加专注于重要的特征,同时减少不相关或噪声特征的依赖;并将位置感知多头注意力加入模型的颈处,进一步有助于模型更好地理解和利用输入数据的内在关系,从而提高模型的性能和表现能力,并且使用混合损失函数Dice+BCE取代单一的损失函数。该算法在Crack500图像数据集上的交并比与F1分别达到了60.13%和75.22%,均超过U-Net、DeepLabV3+、PSPNet、TransU-Net、UNet++等主流语义分割网络。实验结果表明,该算法能有效改善网络的预测精度与细小目标的分割结果,在保证分割精度的情况下也满足了实时性的要求。

改进YOLOv8的路面缺陷检测算法

为了减少背景干扰对路面缺陷检测的影响,解决对小尺寸细长裂缝能够提取的特征十分有限的问题,本文基于YOLOv8模型进行了改进。首先,将网络中的C2f融合动态蛇形卷积设计了C2f-Dysnake模块改善对目标形状和边界的敏感性,增强了对细长裂缝的特征提取能力;其次,将重参数化泛化特征金字塔网络RepGFPN与动态上采样器DySample结合构成新的颈部网络RDFPN,增加了对低层特征图的关注度,提升了对小目标的检测能力;最后在主干网络中加入MPCA注意力机制,捕捉不同尺度上的位置关系,提高主干网络的特征提取能力。实验结果表明,改进算法在RDD2022数据集上与原算法相比mAP50提高了2.3%,检测速度达到了98 fps,综合考量较其他算法有明显优势,验证了该方法的有效性和优越性。

基于深度学习的路面缺陷检测方法研究

路面缺陷会给公路监管和路面养护带来严重影响,本文针对目前路面缺陷图像采集方法成本高、效率低的问题,提出一种基于深度学习的路面缺陷检测方法。该方法包括目标检测和图像分割子系统,其中,目标检测使用YOLOv5模型来提升路面缺陷位置识别精准率;图形分割使用“U”形多尺度扩张卷积网络(U-Multiscale Dilated Network,U-MDN)来增强路面缺陷深度特征提取。使用目标检测数据集和图像分割数据集进行试验,其中YOLOv5模型精度为92%;比较U-Net模型和U-MDM模型,U-MDN模型的Precision、Recall和F1-score指标综合表现最优,充分证明了该方法对路面缺陷检测具有有效性。

基于超声技术的沥青混凝土路面缺陷无损检测研究

为提高沥青混凝土路面的安全性、延长路面的使用寿命,在无需对路面进行破坏的前提条件下,实现对路面内部缺陷的精确检测,引入超声技术,开展路面缺陷的无损检测研究。选取高性能的超声波检测仪,并设计超声波探头传感器的布局形式,保证超声波发射探头与接收探头之间的最强信息传输;通过探头传感器,实时采集沥青混凝土路面超声波数据。在此基础上,利用超声技术计算路面超声声速与超声振幅,根据声学特性,检测判定沥青混凝土路面是否存在缺陷。试验分析结果表明,应用本检测方法后,试验路段路面裂缝深度检测结果与实际裂缝深度更加接近,检测误差最大不超过1.1 mm,可以更加准确地检测出路面缺陷,检测效果优势显著。

高速公路沥青路面缺陷微波加热养护技术分析

沥青路面是高速公路重要组成部分,高速公路运营过程中,一旦出现沥青路面等病害问题,会直接危害行车舒适性与安全性,也会对高速公路使用寿命造成一定不良影响,因此必须通过相关技术加强沥青路面养护与修复,以便及时有效的处理各种沥青路面缺陷问题。随着科技发展,而今的高速公路沥青路面养护技术种类越来越多样,本文着重分析微波加热养护技术原理及特点,同时探讨该项技术在高速公路沥青路面缺陷修复中的实施和施工质量控制措施。

融合CBAM-YOLOv7模型的路面缺陷智能检测方法研究

针对目前路面缺陷检测精度不高的问题,基于目前综合性能较强的YOLOv7模型进行改进,提出了融合卷积注意力模块的CBAM-YOLOv7模型。该模型通过重参数化、高效聚合、辅助训练等模块来加快模型的收敛过程,还通过融合卷积注意力机制来提升模型的检测精度。面向路面缺陷多分类问题,在公开数据集上分别使用Faster R-CNN、YOLOv6、YOLOv7、CBAM-YOLOv7模型进行实验验证分析,利用mAP值、F1值、FPS值作为模型的精度与效率评价指标。实验结果显示:融合CBAM-YOLOv7的路面缺陷检测结果的mAP值和F1值分别能达到83.75%和67.8%,FPS值能达到51.22 Hz,相较于其他模型均有明显提高。

Mask RCNN模型在路面缺陷检测中的应用

本文将Mask RCNN模型应用于路面缺陷检测中,检测裂缝、坑槽、修补等缺陷,探讨Mask RCNN模型在路面缺陷检测中的应用效果。深度CNN网络中引入残差学习模块后,减弱了因为卷积层数过多而导致的梯度弥散现象,从而提高了模型检测的准确率。本次实验训练出的模型可对多种路面缺陷同时进行检测,实验对比Mask RCNN分别与ResNet50、ResNet101结合时的检测效果,实验结果表明采用该方法检测准确率能够达到92.1%,可以有效解决路面缺陷检测问题且可以满足部分实时性要求较高的工程实际应用需求。

路面缺陷智能检测系统与方法综述

从路面缺陷检测系统组成和特点出发,首先简要回顾了路面缺陷检测系统与传统路面图像处理方法的发展过程。在此基础上,探讨了国内外典型路面缺陷检测系统的现状,包含重型道路状况智能检测系统、轻量化路面质量检测系统,并对检测系统的性能及部分参数进行了描述。然后,详细介绍了基于机器学习、深度学习理论的路面缺陷智能化检测方法的演变历程,重点分析了基于深度学习技术的路面缺陷智能化检测方法国内外的研究进展,主要包含基于区域卷积神经网络、单次多框检测器、YOLO目标检测、Transformer检测模型等路面缺陷智能检测方法。最后,从多模信息融合、双轻量化设备、稳健智能化算法等方面对路面缺陷智能化检测系统的发展趋势和应用前景进行了展望。

改进YOLOv5的路面缺陷快速检测方法研究

为了实现路面缺陷的智能快速化检测,对深度学习目标检测算法YOLOv5进行改进,得到的3种检测模型(YOLOv5-A,YOLOv5-C,YOLOv5-AC)均可采用视频检测的方式对路面5类缺陷进行快速检测。采用智能手机和数码相机采集路面缺陷图像并制作数据集,在满足视频检测的需求下,使用K-means算法和1-IoU作为样本距离重新聚类anchor,得到更优的锚框参数;在网络多个结构中引入CBAM注意力机制,增强模型的特征提取能力。实验结果表明,YOLOv5-C算法在训练集上的平均精度达到91.8%,相较于原模型提高1%;YOLOv5-A算法在验证集上的平均精度达到92.7%,相较于原模型提高1.7%;在实际检测效果上,YOLOv5-AC算法在裂缝、破碎板和坑洞的识别准确度上达到89%、62%、90%,相较于原模型提高了45%、4%、5%,且模型的检测速度达到40 FPS。YOLOv5-AC算法具有较高的检测精度和识别速度,一定条件下可以满足在道路缺陷检测中的智能化实时检测需求。

基于改进YOLOv5的路面缺陷检测算法研究

针对传统的路面缺陷检测算法,路面缺陷特征提取单一,且依赖于人工提取,导致检测效率低下的问题,提出了一种基于改进YOLOv5的路面缺陷检测算法。针对原算法对路面缺陷的位置信息提取不充分,引入CBAM注意力机制并对空间注意力中的7*7卷积层替换为3个串行5*5卷积后使用1*1卷积融合3个不同感受野下的特征信息,增强提取缺陷位置信息的能力。在训练阶段,增加正样本的数量,缓解模型训练时的正负样本不均衡。为证明该算法的有效性,在公共数据集GRDDC2020上进行验证,实验表明,改进后的YOLOv5算法F1-score相比于原YOLOv5算法提高2.1%,达到57.7%。

基于图像和点云的路面缺陷检测研究

为解决路面缺陷检测的精度不足问题,该文以路面采集的点云数据和图像数据为例,对路面缺陷检测进行研究。提出采用大津法与Canny边缘检测算法对路面裂缝进行图像分割和几何特征分析计算,结合坐标系转换、径向基函数构建隐式曲面的方法修复裂缝点云,采用点云高程信息分析路面凹凸情况,构建曲面分析曲率正负值,以检测路面坑槽和涌包,结合缺陷区域点云的最小外接矩形和边缘点邻域高程均值,采用逐层修复的方法修复路面坑槽和涌包点云;基于修复后的图像和点云数据,路面缺陷检测的缺陷识别率达到90%。

铺筑薄层罩面消除路面缺陷

在沥青混凝土路面上加铺薄层罩面可以避免路面出现各种缺陷,保持持力层的承载能力。介绍了欧美国家的一种做法,即沥青混凝土混合料和乳化剂同步联动操作。这种工艺可以提高罩面自身强度和不透水性,有效的保护了路面,延长了路面的使用年限。

高速公路沥青路面缺陷微波加热养护技术研究

当前,针对高速公路沥青路面缺陷,养护加热多采用单次处理方式,导致路面温度难以掌握控制,容易引发路面荷载性能下降等问题,为此,文章提出对高速公路沥青路面缺陷微波加热养护技术设计研究。根据既定实际工程施工需求及标准,通过开展对沥青路面的定向清理,采用循环加热方式控制路面的加热温度,综合微波加热技术实现对老旧路面的循环加热及翻松作业,以此为基础对路面复拌并完成二次加热,通过路面摊铺碾压及加铺再生完成微波加热养护处理。施工测试结果表明:通过对4个路段经过微波加热氧化之后,沥青路面的荷载值均达到了550kN以上,说明养护技术对于高速公路沥青路面缺陷的处理效果更佳,路面承载能力得到显著提升,具有实际应用价值。

基于改进StyleGAN路面缺陷数据增强算法

针对复杂场景下路面缺陷数据样本少且图像质量差的问题,提出基于改进StyleGAN路面缺陷数据增强算法。在原有StyleGAN的基础上引入自注意力机制,以加强生成器对图像纹理细节信息的关注;引入SLE标签编码器以调节生成图像的纹理细节;增加噪声输入量,提升训练样本的复杂性和生成样本的多样性;采用WGANGP损失函数并调整模块分辨率来提高模型的收敛效率。通过消融实验、直观评价方法和量化评价方法分析评估模型图像生成质量,验证得出文中算法生成的路面缺陷图像质量较好,IS达到52.1,FID达到54.2;经4种经典目标检测算法测试,平均精度均值同原始数据集相比平均提升了30%左右,召回率提升了7%左右。

沥青混凝土路面缺陷的检测方法

通过在省道102线公路改扩建工程试验段路面施工过程中的具体实践，对形成路面缺陷的原因和几种检测方法进行了详细的讨论。

水泥混凝土路面缺陷的产生和防治

针对水泥混凝土路面常见的缺陷，深入分析了离析、沁水、裂缝等缺陷产生的主要原因，从原材料质量、施工工艺方法等角度提出了水泥混凝土缺陷的防治措施，为路面施工质量控制提供借鉴。

路面缺陷及病害养护车旋转叶片力学及流场仿真

以路面缺陷和病害养护车转动式料仓作为研究对象,通过分析料仓的使用及设计要求,确定料仓旋转叶片、旋转叶片的布置方式、螺旋升角值、叶片截面形状等。通过分析沥青混合料在路面缺陷及病害养护车转动料仓内的运动特性,运用CAXA、Pro/e、Solid Works、ANSYS Workbench等软件对沥青混合料进行仿真研究建立了沥青混合料的分析模型,通过比较转动料仓螺旋升角分别为25°、28°、30°时的仿真模型分界面及轴向平面混合料的速度,结合叶片加工工艺、搅拌效率、进出料效率等因素,确定料仓螺旋升角的最优角度,研究成果为路面缺陷及病害养护车的设计提供较好的参考价值。

基于部分可变形卷积的多尺度路面缺陷检测算法

针对当前的路面缺陷检测算法在精度和效率方面存在一定的问题,该文在YOLOv8n的基础上进行改进,提出了双分支多尺度特征下的路面缺陷检测算法YOLOv8-PFMD。首先,使用部分可变形卷积(P-DCNv3)替换常规卷积,以在提高模型特征提取能力的同时增强其对不同缺陷形变的适应能力;其次,在C2f模块中采用了更高效的Faster_RFE_Bottleneck模块,结合Pconv和RFE结构充分利用特征映射中感受野的优势,以进一步降低模型计算量;然后,在坐标注意力的基础上提出多尺度双分支坐标注意力(MDCA),通过扩展双分支的拆分融合,从而在减少模型参数的同时提高模型特征表达能力;最后,将YOLOv8n两个检测头的卷积融合成深度可分离卷积(DSConv),使模型的参数量大幅下降。实验结果表明,在RDD2022数据集和Road Damage数据集上,改进的算法与原算法相比,mAP50分别提升了8.4%、7.3%,参数量和计算量分别降低了16.7%、20.7%。在RDD2022数据集上,算法在mAP50和F1分数方面,相较于Faster-RCNN、YOLOv7等主流目标检测算法也取得了提升的效果。

城市道路路面质量评估与缺陷检测方法研究

研究的重点是城市道路状况评价及问题发现,专心致志于寻找一种独特方法。应用先进影像分析技术并融合人工智能方法,因此达到对本法精准定位和识别道路缺陷的快捷处置与分析,例如裂缝、凹痕及磨损等现象。首先,本研究以大量城市路面照片为研究内容,全部汇总及提前整理已经结束,创建了一个包含丰富多样路面问题的资料库。随后,采用深度挖掘技巧抽取特征,毛病找寻与查验准确度及劳动效益提高一并开展。此外,这次探讨深入研究了路面问题对交通状况及环境影响,城市道路保养和决策涉及数据需求已经满足。经探索,这种方法在评估路面情况时效果明显,城市行车安全与道路维护的专业性得到稳固支持。

基于深度学习的路面缺陷自动检测系统

路面缺陷自动检测对公路养护和路况等级评估具有重要意义。为此,使用YOLOv5x结合透视变换和图像分割设计了路面缺陷检测系统。首先,为证明系统可行性采集并制作了多类型路面缺陷数据集(pavement defect dataset,PDD)。然后,使用SSD(single shot multibox detector)、Faster R-CNN、YOLOv5x(you only look once v5x)和YOLOX 4种模型对PDD进行训练检测。经过训练,4种模型的mAP(mean average precision)均超过了77%,其中YOLOv5x的结果最优,mAP达到了91%,同时证明创建的数据集PDD有效。最后,使用YOLOv5x作为系统主要检测方法结合透视变换、图像分割和骨架提取获取缺陷的长度、宽度和面积等信息,进而计算路面状况指数(pavement condition index,PCI)得到路面破损等级,以及相应的维修建议,提高了路面缺陷检测的实用性。