基于深度学习的路面缺陷检测方法研究

作     者：李画 

作者单位：长春大学 

学位级别：硕士

导师姓名：李明晶;林盛梅

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 

主      题：深度学习 路面缺陷检测 卷积神经网络 Mask RCNN ResNet 

摘      要：当前我国公路设施体量逐年增加,为了真实地量化道路的损坏程度,提高道路的养护水平,确保安全、可靠且快捷交通运输过程,需要选用合理高效的检测方法。然而在目前主流的维护流程中,通常是由人工方式完成的,这种方式不仅需要耗费大量的时间和精力,而且工作效率低下。因此,实现对路面缺陷进行精确识别与自动化检测,是急需解决的工程实际问题。论文以路面缺陷检测为研究内容,围绕路面图像预处理、路面缺陷检测算法展开研究,设计了一种基于Mask RCNN算法自动检测路面图像中缺陷的方法,并开发了相应的可视化界面。首先,论文根据路面缺陷图像的特点,对路面图像进行直方图均衡化提高图片对比度,采用双边滤波在去除路面图像噪声的同时保留缺陷的边缘信息。对路面缺陷图像进行增强处理与样本扩充以解决现有的路面缺陷图像数量不足的问题。其次,论文阐述深度学习的基础知识和卷积神经网络整体框架,分析经典的深度学习算法的结构和原理,阐述了Res Net的作用,解析了Mask RCNN算法,并对Mask RCNN算法进行优化训练和测试。实验结果表明,所训练模型可以对各路面缺陷图像的有效特征进行自动学习并实现自动分类路面缺陷图像,均值平均精度达到90.42%,检测效果良好。最后,论文在得到性能较优的路面缺陷检测模型,开发人机交互界面,搭建了基于深度学习的路面缺陷检测平台。通过本论文研究,为路面缺陷检测提供了一种新的方法,实现了路面缺陷自动化检测,进一步的推进了路面工程养护检测技术的发展。