基于多分支深度学习的沥青路面多病害检测方法

摘要：

为了准确、快速地识别路面多病害,采用一种基于多分支框架的深度学习方法,提取并融合路面图像的大、小尺度特征,将路面二维图像和三维图像作为网络输入,增强病害特征.采集裂缝、条状修补、块状修补、坑槽、松散等沥青路面病害图像共计10 562张,进行人工标注.结果表明:500次训练后该方法的平均交并比为0.83,准确率和召回率的调和平均数F值为0.90,优于U-net、PSPNet、DeepLabv3+等方法;在单一类别上,对条状修补、坑槽、松散、桥接缝等分割效果最优,对裂缝、块状修补的识别展现出较强的鲁棒性;所提方法的识别效果高于仅使用单一输入或者单一分支的方法.因此,双通道和多分支的设计方法可以显著提升网络对多类别路面病害的识别精度.

关键词：道路工程、路面病害检测、卷积神经网络、三维图像、语义分割

所属期刊栏目：53

分类号：U416.2(道路工程)

资助基金：国家自然科学基金62206201

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：123-129