基于深度学习的公路路面病害检测算法

摘要：

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法.以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network,PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss,AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本.实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34％,每张图像的平均检测时间为0.071 s.与快速基于区域的卷积神经网络(faster region-based convolutional neural networks,Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求.

关键词：公路路面病害检测、YOLOv4、可变形卷积、特征融合、AP-loss

所属期刊栏目：22

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;江西省重点研发计划重点项目;江西省教育厅科技重点项目

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：5299-5305