10.19620/j.cnki.1000-3703.20210869
基于改进掩膜循环卷积神经网络的沥青路面积水分布检测
针对传统的掩膜循环卷积神经网络(Mask R-CNN)在检测和分割积水区域时过度重视对区域的分割,忽视了边界分割的问题,在传统Mask R-CNN模型中添加以拉普拉斯(Laplacian)算子为基准构建的边界加权损失函数,得到改进的Mask R-CNN模型,同时以残差网络(ResNet)作为特征提取网络,采用迁移学习的方法,使用自建的1 753张路面积水图像进行训练,以查准率与查全率的加权调和平均值F1和雅卡尔(Jaccard)系数作为评价指标.结果表明,改进的模型F1和雅卡尔系数分别为89.23%和81.46%,在不同积水区域、不同环境下,所提出的方法识别准确率和分割精度较高,能够为无人驾驶车辆提供路面积水信息的技术支持.
沥青路面、积水检测、掩膜循环卷积神经网络、实例分割
U461.91(汽车工程)
国家自然科学基金U1864204
2022-10-24(万方平台首次上网日期,不代表论文的发表时间)
共7页
47-53