基于卷积神经网络的路面裂缝识别方法研究 .pdfVIP

智城实践18

智能城市INTELLIGENTCITYNO.122023

基于卷积神经网络的路面裂缝识别方法研究

王思源刘杰

（桂林电子科技大学建筑与交通工程学院，广西桂林541000）

摘要：文章以路面裂缝作为研究对象，将语义分割算法作为主力工具对其识别，对道路裂缝图

像的预处理、数据集的扩充、改进经典UNet网络模型展开了分析。为了测试UNet网络的最佳深度，需

要进行广泛的网络架构有哪些信誉好的足球投注网站或低效的集成测试，提出了使用MobileNetV3网络来替换UNet的编码器部

分，用于特征提取，在提高效果的同时提高速度。改进的UNet-MobileNetV3网络模型相比经典的

UNet模型参数量有所减少，算法运行时间缩短，结构更优化，可顺利完成裂缝的识别工作，为道路的

维护和保养提供了新思路。

关键词：路面裂缝；深度学习；语义分割；UNet神经网络

中图分类号：U418.6文献标识码：A文章编号：2096-1936（2023）12-0018-05

DOI：10.19301/j.cnki.zncs.2023.12.005

Researchonpavementcrackidentificationmethod

basedonconvolutionneuralnetwork

WANGSi-yuanLIUJie

Abstract：

extensivenetworkarchitecturesearchorinefficientintegrationtestisneeded.MobileNetV3networkis

proposedtoreplacetheencoderpartofUNetforfeatureextraction,whichimprovestheeffectandspeed.

ComparedwiththeclassicalUNETmodel,theimprovedUNET-MobileNetV3networkmodelhasfewer

parameters,shorterrunningtime,andamoreoptimizedstructure.Theidentificationofcrackshasbeen

successfullycompleted,whichprovidesanewideaforroadmaintenance.

：

Keywordspavementcracks;deeplearaning;semanticsegmentation;UNetneuralnetwork

随着图像处理技术的迅猛发展，深度学习的方原始图像，分辨率为3024×4032。考虑到裂缝图

法在路面裂缝识别方面起到重要的作用。识别路面像尺寸过大不利于模型的训练，使用裁剪的方法将

裂缝的研究人员采用神经网络方法进行实验并不断2000张图像切割为大小为256×256的子图，并通过

[1]

完善，以提高识别的准确性和实时性。本文研究过滤得到包含裂缝像素数量大于1000的图像，总共

的识别模型可以识别裂缝，并将其区域按照二元值得到了685张含有裂缝的源图像和相应的标记图像。

进行分类，可为公路养护的决策制定提供数据支再通过图像扩充技术得到了4000张裂缝的数据及其

持，保障公路运行的安全，降低维护成本。标签图像。按照4∶1的比例划分为训练集和测试

1数据准备集，包括3200张训练集图像和800张测试集图像。

1.1样本数据扩充