基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。

基于改进YOLOv8的嵌入式道路裂缝检测算法

在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明:所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020(GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检测。

基于U-Net的道路裂缝分割检测

道路裂缝是道路损坏的主要表现,其进一步恶化会影响道路交通。因此,及时发现道路裂缝对保障道路交通安全具有重要意义。路面裂缝识别技术正由传统的人工检测向更高效且自动化的检测技术转变,在这一转变过程中图像识别检测算法成为辨识精度有效提升的重要技术手段和突破方向,机器学习成为主流。本研究采用U-Net网络,整合多个公开裂缝分割数据集,从而提高模型的性能和泛化能力,最终实现各种复杂情况下道路裂缝的分割检测任务。

基于YOLO v3深度学习算法的道路裂缝识别模型研究

针对道路裂缝检测识别需人工参与、传统算法识别不准确等问题,提出一种基于YOLO v3深度学习算法的道路裂缝识别方法。首先将数据集图片缩放成416×416,然后利用Labelme对数据进行裂缝标注并对边界框位置信息进行转换,最后利用YOLO v3算法框架进行模型训练。结果表明:YOLO v3算法的精确率、召回率、F1分数都大于95%,图片检测速度达到0.1231 s/张。YOLO v3深度学习算法在精度和速度上都满足了道路裂缝实时检测的要求。

基于改进对比学习的道路裂缝图像分类

道路裂缝是路面破损的重要组成部分,而道路裂缝分类可以对道路养护策略的制定进行针对性的安排.针对人工标注分类耗时长,效率低等问题,本文提出了一个基于对比学习的道路裂缝图像分类方法,在传统的对比学习框架中,对特征提取部分进行改进,使得模型对细小裂缝的特征更敏感.首先对进行数据增强,其次在特征提取部分对ResNet50的部分进行改进,使用多尺度的方法提取特征;再使用多层感知机(MLP)对提取到的特征进行降维处理,并投影到向量空间;最后使用余弦相似度与用归一化温度标度的交叉熵损失对模型进行优化.实验结果表明,改进后的模型比原模型在裂缝图像上的分类效果提高了0.22%,达到了92.1%,对裂缝图像分类有较好的效果.

基于无人机的道路裂缝量化评估系统的设计

无人机与计算机视觉相结合的研究不断发展,其应用领域越发广泛。本设计考虑将无人机作为载体,与主微控制器为NVIDIA Jetson Xavier NX的地面边缘设备结合,实现无人机代替人工进行道路裂缝巡检与评估工作。设计在硬件方面实现无人机高清视频实时传输、红外避障、GPS定位飞行等功能,设计ECA-UNet网络对无人机回传的道路裂缝进行分割;使用SENet分类网络得到的裂缝分类模型将裂缝划分类别;最后对分割分类后的裂缝图像进行像素占比的量化,评估裂缝的轻中重的等级。通过实验证明,该系统运行稳定、裂缝目标分割准确、视频实时传输稳定、裂缝分类以及评估具有较高的精度,实现了利用道路图像对道路裂缝量化评估的目的,能够在实际中应用。

浅谈济阳黄河堤防道路裂缝损坏原因分析与预防措施

自2001年以来济阳黄河河务局对158＋200—182＋200堤防修做了堤顶道路，为防汛抢险及方便沿黄群众出行提供了保障，但由于该段道路使用年限已近14年，加之沿黄人员车辆过往频繁，部分路面已出现裂缝、坑槽、残缺，其中裂缝最为突出，给防汛抢险和当地群众出行带来不便，也给堤防管理工作带来诸多困难。

基于通道注意力与密集连接机制的道路裂缝识别方法研究

随着人工智能的急速发展,以深度学习为代表的各类人工智能算法开始应用在道路裂缝检测领域中。本文介绍了一种基于通道注意力与密集连接机制的道路裂缝检测网络DenseNet-SE及其变体DenseNet-NSE,并将该方法与现存技术进行了测试和分析。实验结果表明,DenseNet-SE与DenseNet-NSE能够提高模型的泛化性能,并且DenseNet-SE的性能比DenseNet-NSE更好。

ERCUnet:一种基于U-Net改进的道路裂缝检测模型

针对传统的道路裂缝检测方法存在灵活度不高、普适性不强等问题,本文参考ResNet中的残差设计和U-Net模型的U形编码解码结构,设计一种基于U-Net改进的道路裂缝检测模型——ERCUnet。该模型以残差块为主体,针对裂缝检测优化不同深度卷积层的卷积核数量,模型中所有的残差块结构相同,模型整体结构更加整齐和简单,具有可塑性好、结构性强,残差结构不仅使特征融合更加充分,也避免了深层卷积神经网络梯度消失的问题。实验在CrackForest数据集上进行,将CrackForest的118张含标注图片按照5∶1的比例划分训练集和测试集,通过一系列数据增广方法,有效缓解了训练数据过少的问题。损失函数融合了交叉熵和F1分数,缓解了正负样本不均衡的问题,最终的实验结果显示ERCUnet模型参数量仅为U-Net(BN)模型的13.30%,在测试集上的查全率、查准率、F1值均达70%以上,噪声率、准确率分别为29.05%、99.01%。为证实ERCUnet的可塑性,通过修改模型参数得到ERCUnet-tiny模型,其参数量仅为U-Net(BN)模型的2.39%,在测试集上取得了与U-Net(BN)相近的效果。

基于Faster R-CNN的道路裂缝识别

传统的道路裂缝识别方法有基于R-CNN、SPPnet、HOG+SVM等多种方法,但识别精度低、检测速度慢。针对这些缺点,提出一种基于Faster R-CNN的道路裂缝识别方法。首先,采集道路裂缝图像,建立Pascal VOC数据集;其次,基于谷歌开发的TensorFlow深度学习框架,用数据集对Faster R-CNN进行训练并分析各项性能参数指标。实验结果表明,在迭代20 000次的情况下,可将训练损失降到0.188 5,AP值达到0.780 2,取得了良好效果。

一种轻量级的SSD道路裂缝检测算法

为了提高道路裂缝检测的速度和精度,同时适应嵌入式设备部署要求,提出一种改进的轻量级SSD道路裂缝检测算法。通过建立VOC格式的城市道路裂缝数据集,使用SSD为基础目标检测网络,将主干特征提取网络由VGG改进为轻量级的MobileNet网络,并通过特征金字塔进行融合构建出轻量级的道路裂缝检测算法,训练中采用迁移学习和数据扩增技术,在建立的数据集上将改进的算法分别与YOLO V3算法、SSD算法进行比较。结果表明,本文算法的MAP为91.29,比SSD算法提高2.05%,比YOLO V3算法提高8.16%。本文算法的FPS为38.1比YOLO V3算法和SSD算法分别提高1.1倍和1.88倍。改进的算法在检测精度方面相比SSD算法和YOLO V3算法有微弱优势,在检测速度方面优势明显,同时由于网络的轻量化,更方便在嵌入式设备上部署。

道路裂缝的成因及预防措施

分析了道路裂缝形成原因及裂缝对道路的危害,并针对具体裂缝形态提出了防治措施。

道路裂缝的成因及预防措施

分析了道路裂缝形成原因及裂缝对道路的危害,并针对具体裂缝形态提出了防治措施。

卷积神经网络在端到端道路裂缝检测中的应用研究

随着道路使用年限的增加,裂缝对道路的产生危害愈发严重。针对该问题,研究建立一种深度结合卷积神经网络并融合了端到端结构的ETEL-CNN道路裂缝智能检测模型。研究结果表明该模型的识别准确率达到99%,模型输出的预测图与实际裂缝图匹配度良好,较目前常用的裂缝检测FFA算法准确率提高35.34%,召回率提高0.55%,且F1值提高21.54。该模型性能优异,为道路裂缝检测提供了一种新的思路。

基于MATLAB的道路裂缝识别研究

提出一种基于MATLAB的道路裂缝识别方法,在对道路裂缝图像灰度化的基础上,利用最大类间方差法提取可能存在的道路裂缝,再对图像进行形态学操作,去除图像中的非裂缝区域,最后用凸包对裂缝区域进行标识,得到图像中实际存在的裂缝区域。在采集到的道路裂缝图像的实验结果表明,提出的方法可以准确地标注道路裂缝。

水泥混凝土道路裂缝的防治措施探讨

随着国民经济的提高,水泥混凝土道路因其强度高、稳定性好无老化现象及其耐久性等特点得到了广泛的应用,但是纵横缝的存在及长期使用过程中的损耗等会出现诸多问题,其中最引人关注的就是道路裂缝问题。据此,本文以实际项目出发探讨了道路裂缝的防治措施并付诸实施,从而提高道路工程建设质量。

试论道路裂缝成因及处理

道路裂缝是道路质量的通病之一,其对道路交通的危害非常之大。对道路裂缝成因的分析能为裂缝的防治提供突破口,以不断提高我国道路工程质量。

水泥混凝土道路裂缝的防治措施

水泥混凝土道路裂缝是水泥混凝土道路的常见病害,在水泥混凝土道路里程日益增多的今天,延续水泥混凝土道路寿命,保证水泥混凝土道路质量,不仅是城乡基建建设的硬性要求,也是节省道路维护成本,实现节约生产的目标。强化裂缝防治主要是从施工工艺、施工质量、材料质量三方面展开,以期尽可能避免纵横、倾斜、交错裂缝的产生,保证水泥混凝土道路质量。

浅谈道路裂缝的原因与防治

近年来我国公路建设飞速发展,但是道路病害也日益增多,尤其是道路裂缝病害。本文就当前道路裂缝形成的原因进行分析,分别对水泥路面裂缝原因、沥青路面裂缝原因进行重点分析,并提出裂缝防治的方法。