基于改进的全卷积神经网络的路面裂缝分割技术

被引：65

作者：

翁飘 ^{[1
]}

陆彦辉 ^{[1
,2
]}

齐宪标 ^{[2
]}

杨守义 ^{[1
]}

机构：

[1] 郑州大学信息工程学院

[2] 深圳市大数据研究院

来源：

计算机工程与应用 | 2019年 / 16期

关键词：

裂缝检测; 图像处理; 全卷积网络(FCN); 平均交并比;

D O I：

暂无

中图分类号：

U418.6 [路面的养护与维修]; TP183 [人工神经网络与计算];

学科分类号：

082301 [道路与铁道工程]; 140502 [人工智能];

摘要：

裂缝是路面表面的重要病害之一。传统的裂缝检测依赖于人工的视觉检查,在实际操作中费时费力。虽然传统的图像处理技术在一定程度上可使裂缝检测与分割更加自动化,但是图像处理技术易受到由光照、模糊等引起的一些噪声的影响。为了完成复杂环境下对路面裂缝的分割及检测,提出了一种基于改进的全卷积神经网络（Fully Convolutional Networks,FCN）的分割方法,根据建立的数据集训练传统FCN和优化后的FCN,测试结果表明其平均交并比（meanIoU）得到了一定的提高,故该方法能够较准确地分割出路面裂缝。

引用

页码：235 / 239+245 +245

页数：6

共 9 条

[1]

基于深度学习的全卷积网络图像裂纹检测 [J].

王森 ;

伍星 ;

张印辉 ;

陈庆 .

计算机辅助设计与图形学学报, 2018, (05) :859-867

[2]

基于空间聚集特征的沥青路面裂缝检测方法 [J].

张德津 ;

李清泉 ;

陈颖 ;

曹民 ;

何莉 .

自动化学报, 2016, 42 (03) :443-454

[3]

形态学和最大熵图像分割的城市路面裂缝检测 [J].

刘娜 ;

宋伟东 ;

赵泉华 .

辽宁工程技术大学学报(自然科学版), 2015, 34 (01) :57-61

[4]

我国高速公路发展研究 [J].

巴特蒙赫 .

北方经济, 2013, (03) :60-61

[5]

基于直方图估计和形状分析的沥青路面裂缝识别算法 [J].

徐志刚 ;

赵祥模 ;

宋焕生 ;

雷涛 ;

韦娜 .

仪器仪表学报, 2010, 31 (10) :2260-2266

[6]

Automated Pixel‐Level Pavement Crack Detection on 3D Asphalt Surfaces Using a Deep‐Learning Network[J] Allen Zhang;Kelvin C. P. Wang;Baoxian Li;Enhui Yang;Xianxing Dai;Yi Peng;Yue Fei;Yang Liu;Joshua Q. Li;Cheng Chen Computer‐Aided Civil and Infrastructure Engineering 2017,

[7]

Deep Learning‐Based Crack Damage Detection Using Convolutional Neural Networks[J] Young‐Jin Cha;Wooram Choi;Oral Büyüköztürk Computer‐Aided Civil and Infrastructure Engineering 2017,

[8]

Weighted Neighborhood Pixels Segmentation Method for Automated Detection of Cracks on Pavement Surface Images[J] Lu Sun;Mojtaba Kamaliardakani;Yongming Zhang Journal of Computing in Civil Engineering 2015,

[9]

CrackTree: Automatic crack detection from pavement images[J] Qin Zou;Yu Cao;Qingquan Li;Qingzhou Mao;Song Wang Pattern Recognition Letters 2012,

← 1 →