一种基于改进实例分割模型的路面裂缝检测方法

摘要：

为了解决现有裂缝识别算法准确度不高、检测与分割任务不能同时进行等问题,提出了一种基于改进型Mask R-CNN模型的路面裂缝识别方法.首先,建立裂缝数据集并进行标注,然后使用MaskR-CNN模型对裂缝数据集进行训练和测试,并对模型中锚点的长宽比进行调整,实现在裂缝定位的同时对生成的检测框内的裂缝像素进行分割;其次,针对Mask R-CNN模型生成的裂缝检测框不精准的问题,设计了 C-Mask R-CNN多阈值检测方法,通过结合级联不同阈值的检测器来提高候选框质量,实现高阈值检测下的裂缝精准定位;最后,对改进后的模型进行一系列的优化参数和实验对比,并验证所提模型的有效性.实验结果表明,C-MaskR-CNN模型检测部分的平均准确率均值(mean average precision,mAP)达到0.954,与改进前模型相比提升了 9.7％,分割部分的mAP达到0.935,与改进前相比提升了 13.0％,识别效果较好.综上所述,C-MaskR-CNN模型可以较为完整地对裂缝进行定位及提取,识别精度较高.

关键词：路面裂缝识别、深度学习、Mask R-CNN模型、级联阈值检测器、道路工程

所属期刊栏目：48

分类号：U418.6;P237(道路工程)

资助基金：国家重点研发计划;国家自然科学基金;国家自然科学基金

在线出版日期：2023-06-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：765-776