摘要
边坡是道路工程中十分重要的部分，边坡的稳定性对道路安全有着至关重要的作用。通过边坡巡检可以及时发现处理边坡问题，保障道路通行安全。目前，边坡巡检主要依靠人工巡检的方法，使用该方法巡检效率较低，对于条件较差的边坡还容易出现漏检或出错的情况。近年来，随着无人机技术和机器视觉的快速发展，国内外许多学者在无人机领域和深度学习领域进行了大量的研究。在无人机方面，使用无人机协助人工巡检的方式，可极大的提高巡检效率；在深度学习方面，卷积神经网络强大的图像识别能力，已经逐渐成为解决图像分类问题的首选方案。通过结合无人机的高空作业能力和神经网络的图像识别能力，能够极大的提高边坡训练的效率、保障道路安全通行。 本文结合无人机与深度学习，对边坡病害识别技术展开研究。主要研究内容与结论如下： （1）探讨了无人机在边坡巡检工作中与人工协同工作的原理。总结了人机协同巡查技术流程。构建了智能无人机边坡巡检系统。 （2）针对摄影设备采集到的图像与真实物体存在误差的情况，探讨了几种常用的图像降噪方法和增强方法。 （3）研究了ResNet和ConvNext两种网络结构在边坡病害识别中的能力。结果表明，ConvNext网络获得的模型的性能更好。 （4）针对传统方法结果不理想的情况，本文使用了迁移学习方法对网络进行训练。使用两种不同的迁移策略对ResNet网络和ConvNext网络进行训练，对比常规训练方法，迁移学习显著提高了网络迭代速度以及模型识别正确率。 （5）探讨了CAM和Grad-CAM两种神经网络可解释性分析方法。通过可解释性分析方法，直观地展示出网络进行边坡病害分类的注意力区域，提高了模型的可信度。
NETL