基于卷积神经网络的路表病害识别与测量

摘要：

为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络(Convolutional Neural Network,CNN)技术引入了基于图像分析的路面病害识别与测量.首先,将原始图像进行等尺寸分割作为CNN的训练样本.其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型(CNN1).用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型(CNN2)和坑槽特征提取模型(CNN3)的训练样本.采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取.最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响.结果表明:CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27％,宽度提取的平均误差为9.37％,裂缝病害严重等级判断准确率为98.99％;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43％,坑槽病害等级判定准确率为95.32％,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅-1,CNN2用时为5 376ms·幅-1,采用图形处理器加速后CNN1用时为192 ms·幅-1,CNN2测试平均用时为1 024ms·幅-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势.

关键词：道路工程、路面病害、卷积神经网络、路面裂缝、图像测量

所属期刊栏目：31

分类号：U416.2(道路工程)

资助基金：“十二五”国家科技支撑计划项目2014BAG05B04;交通运输部建设科技项目2014 318 223 010

在线出版日期：2018-04-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1-10