摘要
作为最基础的交通基础设施之一，道路对交通运输以及城市发展至关重要。随着我国道路里程数的不断增加，对道路的养护需求也与日俱增。作为道路状态最真实的反映，道路表面缺陷检测一直都是道路维护和状态监测的重要环节，对于保障道路畅通和道路安全有着重要意义。目前道路表面缺陷检测主要采用基于人工视觉的半自动化检测方法，这种方法检测效率低、周期长且检测结果易受人为主观因素影响。计算机视觉技术能快速、准确的获取路面信息，在道路表面缺陷检测方面有着传统方法无法比拟的优势，可以对道路表面缺陷精准识别。 本文致力于对道路表面缺陷的精准检测。以道路中存在的裂缝、坑洞、裂纹缺陷为研究对象，采用基于深度学习噪声去除算法对图像中包含的微小噪声进行抑制。针对道路表面缺陷分布随机、类型多变的特点，进行了基于深度学习目标检测算法的道路表面缺陷识别研究，旨在设计出能够快速、准确的对真实路面中的缺陷精准识别的模型。具体的研究工作包括以下三个方面： （1）首先根据道路表面缺陷检测任务需求，设计了图像采集设备并完成相应的硬件选型。然后，利用选型设备进行道路表面缺陷图像采集。针对道路表面缺陷图像中存在的潜在噪声，使用噪声估计方法进行噪声情况评估，再利用基于深度学习和基于自适应滤波器的滤波方法对其进行噪声抑制。最后，进行滤波结果可视化分析与对比。 （2）分析了YOLOV8模型的结构与特点，并基于该结构构建用于道路表面缺陷检测的模型。在该模型中使用构建的动态Transformer特征增强模块和双重注意力引导的特征筛选模块，用于提高模型对不规则缺陷的感知能力和背景噪声抑制能力。此外，还使用AFPN替换原有的特征融合结构，并重新设计了损失函数，以进一步提高模型对道路表面缺陷的检测性能。实验结果表明，构建的模型在道路表面缺陷检测任务上具有优异的检测能力，能够快速、精准的对路面存在的缺陷进行识别。 （3）研究了道路表面缺陷检测模型的轻量化。首先，对构建的道路表面缺陷模型进行分析，选择适合该模型的模型压缩策略，即模型剪枝。接着，采用不同的剪枝方法进行剪枝操作，以减少模型复杂度。然后，使用mAP、GFLOPs、Params和FPS对剪枝后的模型进行综合评价，选择最优的剪枝算法。最后，基于PyQt设计了道路表面缺陷检测系统并将剪枝后的模型进行部署，用于道路表面缺陷检测。
NETL