科研之友
微信
新浪微博
Facebook
分享链接
摘要
路面裂缝病害的智能化识别与分割是道路工程领域的关键研究方向。为了探究裂缝分割过程中正负样本不均衡的优化问题，提升裂缝分割精度，采用解码器-编码器模型建立了路面裂缝的分割体系，选取U-Net网络作为分割基准网络。通过在U-Net卷积层添加残差模块对网络进行改进，形成U-Net-R卷积神经网络。研究了焦点损失函数、带权交叉熵损失函数、软骰子-交叉熵复合损失函数、焦点-骰子复合损失函数对裂缝分割精度的影响。通过半人工标注的方法进行路面裂缝的像素级标注，标注路面裂缝图像1 290张，随机选取路面裂缝病害1 144张作训练集，146张图像作测试集。通过交并比、召回率、准确率和调和均值评判裂缝分割的精度。结果表明：以相同的像素级标记数据作为训练集，采用焦点-骰子复合损失函数的U-Net-R具备最优的训练效率，能够在训练前期快速拟合且达到分割精度最优的目的；在裂缝分割方面选用焦点-骰子复合损失函数能够缓和路面裂缝在识别过程中的正负样本不均衡问题；此外，U-Net-R网络的交并比和调和均值指标相较传统U-Net网络提高10.75%和7.73%,显著提高了裂缝病害的分割精度，表明U-Net-R网络能够提高对路面裂缝的细节特征提取能力。
-
单位东南大学; 江西九江长江公路大桥有限公司
