基于U-net的道路缺陷检测
道路是现代交通运输最主要的途径之一,道路缺陷对于道路安全有着巨大威胁.因此准确检测道路缺陷对道路养护修缮具有重要意义.道路缺陷具有低连续性和低对比度的特点,现阶段多采用人工检测方法,检测效率低,人力成本高,且检测人员的安全可能会遭受威胁.随着深度学习的发展,神经网络方法被广泛应用于工程实践.U-net是具有编码器-解码器结构的端到端深度学习模型,对微小对象检测能力强,适用于道路裂缝缺陷检测.利用U-net深度学习网络对道路缺陷进行检测,能提高检测效率,无需人工干预,保证检测人员安全,降低检测的人工成本.实验结果表明,U-net网络在数据集Crack500上的效果优于FCN,Segnet等语义分割网络,在保持较高精度的情况下实现了道路缺陷检测.在此基础上对U-net网络层数进行超参数优化,确定该数据集上的最优U-net网络结构.
缺陷检测;U-net;卷积神经网络;深度学习
48
TP391(计算技术、计算机技术)
2021-11-22（万方平台首次上网日期，不代表论文的发表时间）
共4页
616-619
