摘要
伴随我国公路建设里程的不断增长，公路养护的任务日益繁重。公路养护的主要任务为对道路病害进行及时的识别和修复。路面裂缝作为公路的主要病害，对其进行有效识别有助于道路工程施工人员在裂缝进一步破坏道路结构之前及时进行养护修复，而目前的操作方式多为自动识别结合人工查验。由于设备条件和数据采集效率的限制导致路面裂缝的现场照片数量有限，同时伴随着背景复杂及图像噪声等问题，使裂缝图像识别十分困难。 针对上述难题，本文从沥青路面裂缝图像数据量与特征、裂缝图像分类精度等方面分别采用裂缝图像数据扩增、图像处理、分类模型结构优化等方法进行解决。将以上方法结合提出了关于小样本量低照度复杂背景下路面裂缝的自动分类策略，主要内容涉及以下几方面: (1)为满足深度学习训练的数据量要求，对小样本量路面裂缝图像数据集进行数据扩增。传统方法通常应用几何和色域变换来进行图像数据的扩充，由于在特征空间上变化幅度小，往往不能达到理想的数据扩增效果。通过基于稳定训练的生成对抗网络(Generative Adversarial Network，GAN)模型的深度学习方法与传统方法结合进行数据扩增，对有限的路面裂缝数据集的数据量进行补充，同时裂缝样本异类数据量不平衡的问题也得到了改善。 (2)本文首先对裂缝图像光照条件不理想的问题进行了改善，使用优化后的图像去雾算法及其他低照度图像增强算法应用于反转后的路面裂缝图像并进行了光照补强效果对比。在此基础上对于采集过程中及遮挡产生的条纹进行了均匀光照操作。此外对裂缝图像的复杂特征进行处理，在同传统图像增强算法比较后，使用改进的Retinex增强算法进行裂缝图像对比度增强，但背景噪声也同样被增强。因此选取保边去噪效果更佳的滤波算法，将背景噪声进行降噪以达到沥青路面裂缝和背景分离的效果，进一步提升裂缝图像质量。 (3)将提出的裂缝图像数据增强策略（数据扩增和图像处理结合）应用于原始小样本量裂缝图像数据集生成新数据集，作为输入数据对典型的卷积神经网络的识别效果进行对比分析。在确定了卷积神经网络识别性能的同时进行了数据增强效果的验证。结合路面裂缝图像特征分析，针对模型网络层裂缝特征提取不足的问题，提出网络结构的优化方向。基于网络对比结果选取ResNet网络结构的基础上对整体结构进行设计与调整，提升路面裂缝类型的识别精度。结果说明了自注意力机制以及结合迁移学习的特征集中识别能够提升路面裂缝图像分类的识别性能。 实验结果表明，本文基于数据扩增方法及图像处理的路面裂缝识别改进模型能够提升小样本量低照度复杂背景下的路面裂缝识别精度，裂缝图像增强策略有助于沥青路面性能评测，预防路面病害进一步恶化。
NETL