摘要
道路作为我国基础设施的重要组成部分，为经济和社会发展提供了坚实的基础，随着城市化进程不断推进，道路建设的规模和数量逐年增加，路面病害问题也日益突出。传统的道路检修工作由检测人员实地检测，费时费力且效率低。随着计算机视觉相关技术的迅速发展，传统的图像处理技术逐渐被应用于路面病害的识别。然而，这需要昂贵的传感器进行检测和拍摄。基于深度学习的卷积神经网络在图像识别技术应用上越来越广泛，随着检测方法的不断提升，检测成本不断降低但效率在不断地提高。 目标检测和语义分割是深度学习中两个重要任务，它们可以提高检测的准确性和效率，并减少人力和时间成本。目标检测能准确地检测出路面病害的位置和类型，而语义分割可以将图像中每个像素分配相应的语义类别，预测出病害的位置、形状和大小。基于此，针对传统方法的路面病害检测诸多缺陷，结合现有的计算机视觉和深度学习技术的研究现状，本文主要工作如下： 首先，本文以横向裂缝、纵向裂缝、龟裂和坑洼这四种常见路面病害类型为研究对象，通过实地拍摄与网络搜集获得丰富的路面病害数据，并对其进行了分类整理，使用标注工具进行手工标记生成网络训练所需要的格式，扩充了公开路面病害数据集的样本数量。 然后，基于目标检测的路面病害轻量化检测算法研究，以YOLOv5目标检测算法为基本框架，研究了一种更适合路面病害检测的轻量级网络结构。通过在轻量级特征提取模块ShuffleNetV2中添加ECA-Net注意力机制，降低了模型参数量的同时提高了检测速度；为提高网络的特征描述能力，使用BiFPN替代原始的特征金字塔网络；在模型训练阶段，将定位损失函数修改为Focal-EIOU以获得更高质量的锚框。 最后，基于语义分割的路面病害轻量化分割算法研究，为进一步提升路面病害检测的精度，本文以DeepLabV3+分割网络为架构，设计了一种更适合在实际应用中的路面病害分割网络结构。为降低模型的参数量，将修改了激活函数的MobileNetV2网络替换原有的Xception网络；为提升模型预测的速度，将空洞空间卷积池化金字塔中的标准卷积替换为深度可分离卷积；为提升模型对小目标路面病害的检测效果，并使模型更加关注路面病害形态特征，分别在特征提取网络和空洞空间卷积池化金字塔网络后添加CBAM注意力机制；同时，为解决样本中正负样本面积比例与难易实例的不平衡问题，将Diceloss与Focalloss相结合来提高模型的整体检测效果。
NETL