10.11772/j.issn.1001-9081.2021040573
基于One-Stage目标检测的路面损害检测算法对比分析
针对如何方便、快速、准确地检测常见的路面损害问题,提高路面损害的检测效率,选取三种常用的One-Stage目标检测算法(SSD、YOLOv3、RetinaNet),以智能手机拍照的方式收集路面损害数据,利用LabelImg工具制作图像标签数据集,通过替换其主干网络的方式训练了6种检测模型(SSD-MobileNetv1、YOLOv3-MobileNetv1、YOLOv3-DarkNet53、YOLOv3-ShuffleNetv2、YOLOv3-ResNet50、RetinaNet-ResNet50),并采用两组不同类型的数据集(路面背景较为干净的数据集A和路面背景含有大量树枝阴影和水渍的数据集B)对上述6种模型的检测性能进行对比分析.实验结果表明:在检测精度方面,YOLOv3-ResNet50模型的检测精度高于另外5种算法模型,比YOLOv3-MobileNetv1模型提高1.6个百分点,比RetinaNet-ResNet50模型提高3.7个百分点,比YOLOv3-DarkNet53模型提高4.5个百分点;在模型参数规模方面,SSD-MobileNetv1模型最轻且参数规模最小,比YOLOv3-MobileNetv1模型减少76.9%的参数量,比YOLOv3-ShuffleNetv2模型减少21.4%的参数量;在模型漏检和误检率方面,YOLOv3-DarkNet53模型的漏检率最低(7/403),YOLOv3-MobileNetv1模型的误检率最低(8/403)、鲁棒性最好.因此YOLOv3-ResNet50算法模型适合用于路表面较为干净且精度要求较高的路面损害检测;SSD-MobileNetv1和YOLOv3-ShuffleNetv2的参数规模较小,可应用于嵌入式设备的检测;YOLOv3-MobileNetv1不易受路面条件的干扰,能够满足正常路面检测要求.
路面损坏;目标检测;主干网络;检测精度;鲁棒性
41
TP391;U418.6(计算技术、计算机技术)
安徽省高校自然科学重大项目;阜阳市政府-阜阳师范学院横向合作项目
2022-03-07(万方平台首次上网日期,不代表论文的发表时间)
共5页
81-85