轻量化沥青路面裂缝图像分割网络PIPNet

裂缝分割是对路面病害损坏程度评估的重要前提,为平衡深度神经网络分割的有效性与实时性,提出一种基于U-Net编码-解码结构的轻量化沥青路面裂缝图像分割网络PIPNet(Parallel dilated convolution of Inverted Pyramid Network)。编码部分为倒金字塔结构,提出了具有不同空洞率的多分支并行空洞卷积模块,结合深度可分离卷积和普通卷积,逐级减少并行卷积的个数,对表层、中层及底层特征提取多尺度信息并降低模型复杂度;同时借鉴GhostNet特点,设计了逆残差轻量化模块,嵌入并行双池化注意力。在GAPs384数据集上的测试结果表明,PIPNet在参数量(Params)和计算量(MFLOPs)仅为ResNet50编码近1/6的情况下,平均交并比(mIoU)提高了1.10个百分点,且较轻量化GhostNet和SegNet分别高出4.14与9.95个百分点。实验结果表明,PIPNet在降低模型复杂度的同时,有着较好的裂缝分割性能,且对不同路面裂缝图像分割适应性良好。

基于语义分割的沥青路面裂缝智能识别

针对传统的沥青路面人工检测效率低、缺乏客观性的弊端,提出基于语义分割的沥青路面裂缝智能识别方法.综合考虑数据集规模、算法种类、网络种类及深度、损失函数类型的影响,对22个语义分割模型开展对比研究,提出适用于较大、较小规模数据集的优选裂缝智能识别方案及对应模型.基于北京六环高速公路沥青路面,建立裂缝分割数据集R-Crack,对提出的智能识别方案进行应用检验,并自动量化裂缝参数.结果表明:检测准确率最高达到83.45%,通过对比人工及自动化检测方式获得的裂缝参数计算结果,裂缝长度和宽度平均误差分别为2.84%和2.39%,提出的智能识别方案为高速公路等场景下沥青路面裂缝的智能检测实践提供依据.

基于GRNN神经网络的沥青路面裂缝预测方法

采用相关分析法对沥青路面裂缝的不同影响因素进行分析,采用广义回归神经网络(general regression neural network,GRNN))建立沥青路面裂缝预测模型,选用50组高速公路路面实测数据对模型进行训练,选用6组实测数据对模型进行检验.结果表明,使用年限和累计轴载次数与裂缝高度正相关;沥青层厚度、半刚性结构层厚度和上面层沥青用量与裂缝呈中度负相关;下面层沥青用量与裂缝呈低度正相关;年最低气温与裂缝相关性极弱.预测值与实测值偏差较小,裂缝预测值与实测值最大偏差为12.71%,说明模型预测效果较好.

沥青路面层间剪应力仿真分析及黏结效果评价

路面脱层主要由剪切破坏引起,为了分析路面层间剪应力的影响因素,结合北京市气候和交通条件,建立了北京市高速公路典型路面结构的力学模型。利用ABAQUS软件对不同温度、竖向荷载、水平力系数、面层厚度、层间黏结状态等因素综合作用条件下层间剪应力的变化进行了正交仿真分析,确定了层间黏结状态为影响层间剪应力的最显著影响因素,并计算得到常温条件下的代表性剪应力。为了确定北京市高速公路沥青路面的最佳层间处置措施,利用课题组开发的基于上、中面层复合结构的剪切疲劳试验方法,制作典型上面层(SMA-13)、中面层(AC-20)及层间黏结材料(SBS改性沥青、橡胶改性沥青、SBS橡胶复合改性沥青、改性乳化沥青)的复合结构模型,以常温下的代表性剪应力作为控制应力进行了剪切疲劳试验,确定了上述黏层材料的最佳用量,并对各黏层材料进行了对比评价。相关结论对于上、中面层层间脱层和上面层网裂的进一步治理具有重要的理论意义和实际参考价值。

一种新的沥青路面灌封裂缝自动提取方法

为了提高基于图像处理的沥青路面病害识别效率和精度,引入图像增强处理中的多尺度视网膜(multi-scale Retinex,MSR)算法以减弱光照不均匀、道路场景多变等因素对路面病害图像质量的影响。针对SegNet网络难以精确分割沥青路面微小病害的问题,采用比视觉几何群网络(visual geometry group network,VGG)效果更好的残差网络(residual network,ResNet)作为主干网络,同时加入空洞卷积(dilation convolution)层,提高网络对细小病害的识别性能;针对改进网络在识别病害时误检率较高的问题,运用阈值法剔除分割结果中的假阳性。为了验证改进算法的有效性,将其与具有代表性的语义分割方法(如SegNet、BiSeNet)在相同数据集上进行对比,三者的平均交并比(mean intersection over union,MIoU)分别为0.7763、0.6743、0.6971,三者的F_(1)分数(F_(1)-score,F_(1))分别为0.8999、0.8743、0.8990。运用所提方法对甘肃省部分路段的路面灌封裂缝进行识别,结果与人工检测相比,漏检率为0.09%,误检率为2.49%。实验结果表明:所提方法能够更精确地提取沥青路面灌封裂缝。

多级卷积神经网络的沥青路面裂缝图像层次化筛选

如何快速准确地识别与评估沥青路面裂缝病害,已成为路面养护和保障道路安全的重要任务之一。实际采集路面图像中往往存在大量的非裂缝图像,在保证裂缝图像无漏筛的前提下,尽可能提高裂缝图像的精确率与非裂缝图像的真负例率,则对于降低人工筛选的工作强度,以及后续裂缝自动分割与病害损坏程度评估具有重要实际意义。故此,提出了一种多级卷积神经网络的沥青路面裂缝图像筛选方法,由训练、微调与验证三阶段构成,利用微调集获得softmax层输入微调增量。为避免裂缝图像召回率增加与精确率下降的问题,在对比不同卷积神经网络筛除的非裂缝图像异同基础上,采用改进AlexNet作为一级筛选网络,VGG16或ResNet50作为二、三级筛选网络的层次化处理模型。对于含噪声及复杂路面图像测试集的实验结果表明,三级层次化筛选模型能在100%召回裂缝图像时,达到高的真负例率及准确率。与其他方法的对比实验表明,所提方法可有效解决沥青路面裂缝图像漏筛问题,且具有更好的检测效果。

基于改进Faster-RCNN的沥青路面裂缝检测

针对目前沥青路面裂缝检测存在的识别率低和细微裂缝在复杂背景下难以检测的问题,提出了基于改进Faster-RCNN的裂缝检测方法.首先,通过多功能路面检测车采集路面图像,将13000张图片按8:2的比例分为训练集和测试集来建成路面裂缝检测数据集;然后分别采用VGG16、Mobile Net-V2和Res Net50网络替换Faster-RCNN模型中的特征提取网络对裂缝进行识别,结果表明,Res Net50与Faster-RCNN结合对裂缝的检测准确率达到0.8058,效果最好;裂缝都分布在同一水平面上,不存在层次信息,因此将ResNet系列其它网络与Faster-RCNN模型结合,以期得到更好的检测效果,结果表明,相比于ResNet18和ResNet101,还是ResNet50检测性能最好;由于还存在细微裂缝漏检的问题,将CBAM模块引入ResNet50,并且比较不同插入位置对检测准确率的影响.实验表明,改进的Faster-RCNN模型检测精准度达到85.64%,能有效检测出复杂背景下的细微裂缝.

基于BP神经网络的沥青路面裂缝识别方法研究

沥青路面图像噪声污染多,随机性较强。针对传统路面图像在进行滤波、边缘检测等裂缝识别过程中,不能较好地识别裂缝信息且存在大量类似于裂缝的噪声污染问题,利用BP神经网络的学习性和容错性提出一种基于神经网络的裂缝识别方法。首先对沥青路面图像同态滤波增强后,将其分成32像素×32像素的小方格区域,然后提取小方格内图像参数与其邻域方格预测结果用于神经网络训练,最后将训练后的沥青路面图像小方格分为有裂缝和无裂缝两种,从而实现沥青路面裂缝的初提取。结果表明,该方法对沥青路面裂缝的识别率达到90%以上,能够较好地满足沥青路面裂缝识别的要求,是一种可行性较高的方法。

旧水泥混凝土路面加铺沥青层防裂设计与施工技术

旧水泥混凝土路面改造的主要方式是在面层上加铺沥青路面。该文以深圳市彩田路北延段路面改造工程为研究对象,分析了路面状况及在旧水泥混凝土路面上加铺沥青层时的设计与施工关键问题,提出了路面改造设计方案及施工过程中主要问题的解决方法。

基于改进两步式卷积神经网络的沥青路面裂缝识别方法

为实现沥青路面裂缝长度和面积等几何信息的智能提取,提出了一种基于改进两步式卷积神经网络的沥青路面裂缝几何信息提取法。在完成数据的采集后,第1步主要通过人工筛选出失真图像、无病害图像和可能存在病害图像各600张,训练基于卷积注意力模块改进的图像分类算法ResNet50,以此作为本模型的清洗算法,完成对410 000张原始路面图像的清洗工作,筛除其中的失真图像和无病害图像,构建裂缝病害图像数据集;第2步基于卷积注意力模块对图像语义分割算法U-Net进行改进,使用上一步筛选的数据进行训练与测试,训练集与测试集的样本比例为10∶1,以此实现裂缝图像的分割,并对裂缝的长度和面积进行提取。试验结果表明,本研究提出的改进ResNet50算法对于总体样本清洗结果的精确率、召回率和F_(1)值均已超过95%,其中F_(1)值已经达到了96.8%;两步式沥青路面裂缝几何信息提取法的均交并比为0.496 7,其中横向裂缝、纵向裂缝、龟裂、块状裂缝的交并比分别为0.495 1,0.546 7,0.608 5和0.336 6;在裂缝长度信息提取上,横向裂缝的误差为12.18%,纵向裂缝的误差仅为3.88%;在裂缝面积的信息提取中,横向裂缝、纵向裂缝、龟裂、块状裂缝的误差分别为0.58%,12.14%,12.27%,11.44%。

卷积神经网络在道路裂缝检测中的应用

沥青路面裂缝已成为浙江省内公路及城市道路的最主要病害。针对沥青路面裂缝检测速度慢、效率低、复现性差的问题,文章主要从卷积神经网络的相关概念出发,具体分析卷积神经网络在沥青路面裂缝自动化检测中的应用,探究深度学习在道路裂缝检测中的应用前景。

沥青混凝土路面常见损坏类型及处治

介绍了沥青混凝土路面的特点,分析了该路面常见的裂缝、龟裂、坑槽、车辙等病害的成因,并提出了针对性的处治措施,总结了沥青混凝土路面在施工中应注意的问题,有利于提高道路的通行能力。

基于卷积神经网络的沥青路面裂缝损伤识别研究

裂缝病害对道路等基础设施的影响会随时间的推移逐渐增大,对路面裂缝进行检测是必要的。针对沥青路面裂缝病害存在的灰度值相似、检测精度较低等问题提出一种基于卷积神经网络VGG16的沥青路面裂缝识别方法,构建沥青路面裂缝数据集并划分为训练集、验证集和测试集,通过裁剪、旋转等几何变换进行预处理和数据增强,采用VGG16模型进行训练,对沥青路面是否存在裂缝进行预测。结果表明,在沥青路面裂缝数据集数量较少且环境复杂的情况下得到了较好的检测精度,其对沥青路面裂缝检测具有一定的工程应用价值。