基于Faster R-CNN与形态法的路面病害识别

来源：中国血液净化杂志2021年第9期北京时间：

作者：晏班夫, 徐观亚, 栾健, 林杜, 邓露

单位：1. 湖南大学 土木工程学院, 湖南 长沙 410082;2. 湖南大学 风工程与桥梁工程湖南省重点实验室, 湖南 长沙 410082;3. 中南林业科技大学 材料科学与工程学院, 湖南 长沙 410004;4. 云南航天工程物探检测股份有限公司, 云南 昆明 650217"],"fundList_en":["National Natural Science Foundation of China (51578227)

摘要：为提高基于图像处理的路面表观病害检测识别效率及精度，引入目标检测中的快速区域卷积神经网络（Faster Region Convolutional Neural Network，Faster R-CNN）算法以快速识别病害种类、位置与面积；针对已提取的带边框裂缝病害区域，采用基于VGG16迁移学习与模型微调的CNN与50%重叠率的滑动窗口定位裂缝骨架，进而利用形态法操作提取裂缝形态，计算其长度与宽度；针对Faster R-CNN算法在病害种类识别时漏检率低但误检率偏高的问题，引入精确率、召回率和<i>F</i>₁分数指标对算法进行评估，并根据<i>F</i>₁分数最大值确定相应的病害框像素面积及置信度阈值来降低误检率，以适应路面表观病害多样化的应用场景。运用开发的病害识别算法对广东一高速公路路面进行表观检测。结果表明：所提方法对典型裂缝图片的识别效率及精度均高于单独应用CNN滑动窗口和传统形态法的全局图像处理方法；对分段的裂缝边界框进行合并，且病害框像素面积及置信度阈值取优化值后，横向裂缝精确率由合并前的0.861提升至合并后的0.918，横向及纵向裂缝误检率则分别由调整前的20.4%和23.8%下降至调整后的8.2%和6.9%，漏检率则稍有提高。基于Faster R-CNN、CNN及形态法的路面病害识别方法具有工作高效、漏检率低的优点，在引入评估指标、最优病害框像素面积与置信度阈值后，病害误检率也大幅降低，具有潜在工程应用价值。

关键词：道路工程,路面,Faster R-CNN,病害识别,形态法

基金资助：国家自然科学基金项目（51578227）