基于深度学习的路面缺陷检测方法研究

作     者：王鑫 

作者单位：内蒙古科技大学 

学位级别：硕士

导师姓名：李琦

授予年度：2022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] 082301[工学-道路与铁道工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：路面缺陷检测 目标识别 图像分割 深度学习 多尺度特征 

摘      要：随着我国交通运输业的飞速发展,我国已经形成了一定规模的公路交通网。但是庞大的交通网络给公路监管和路面养护带来了挑战。现有路面缺陷主要是裂缝和一些不规则缺陷。这些缺陷不仅在很大程度上减少了公路使用寿命,而且给行车安全带来了威胁。因此,能够及时发现并修复这些缺陷对公路安全有着至关重要的作用。本文针对这些问题提出一种基于深度学习的路面缺陷检测方法,该方法能够快速高效的对路面缺陷进行实时检测。主要研究内容包括路面缺陷图像采集方法、路面缺陷目标检测、路面缺陷图像分割、路面缺陷量化评价和路面缺陷自动检测系统设计五部分。针对现有图像采集方法成本高效率低等不足,提出了一种路面缺陷图像采集方法。该方法引入透视变换,结合目标检测和图像裁剪等图像处理技术使得路面缺陷图像采集快速高效。通过该方法建立了目标检测数据集PD-Dataset和图像分割数据集CRACK2000。这两种数据集包含各种裂缝、坑洞和补丁等多种路面缺陷类型,而且具有复杂的背景干扰,比较符合实际路况,非常具有代表性。在目标检测中,使用了最优的YOLOv5网络,其m AP达到了91%,实现了对路面缺陷位置类别的精确检测。在图像分割部分,提出了一种U型多尺度扩张卷积网络U-MDN。U-MDN使用U-Net作为主干网络,加入设计的U-MDM完成了对路面缺陷深度特征的提取。实验表明,U-MDN在Precision、Recall和F1-score等指标下均优于U-Net。最后根据目标检测和图像分割得到的结果对各种缺陷进行量化计算,包括各种线性裂缝的长度、宽度以及覆盖面积,网状裂缝的最小外接矩形面积等量化参数。并且基于这些量化参数计算路面状况指数PCI,最终得到路况健康等级以完成对路面的检测。路面缺陷的自动检测对路面状况评估意义重大。为了给路面维修提供理论依据,本文设计的路面缺陷自动检测系统能够对路面缺陷的位置和类别进行精准定位和分类。而且提出的U-MDN能够对图像中缺陷区域实现像素级分割,使得到的细分结果直接用于路面量化评价。因此,路面图像经过该系统能够直接输出相应维修建议,增强了路面缺陷检测的实用性。