基于卷积神经网络的路面疲劳裂纹检测与严重程度分类

由于路面裂纹强度的差异、拓扑结构的复杂性以及纹理背景的噪声，沥青路面裂纹的图像分类问题一直备受挑战。疲劳裂纹，也称为蜗牛壳裂纹，是沥青路面常见的损害之一，因此检测和监控道路路面的蜗牛壳裂纹状况至关重要。该领域大多数研究通常只关注基于有限数据集的像素级裂纹检测。提出了一种可以实现两个目标的新型深度卷积神经网络。这一提议神经网络的第一个目标是基于路面表面图像对疲劳裂纹的存在进行分类。第二个目标是根据不景观识别手册(DIM)标准对疲劳裂纹的严重程度进行分类。在本文中，建立了一个由4484张高分辨率路面表面图像组成的数据库，其中图像在弗吉尼亚州黑斯堡镇当地拍摄。数据预处理中，对超过4000张图像按照DIM标准进行手动标注分为4个类别。然后构建了一个四层卷积神经网络模型，以实现按路面裂纹严重程度类别对图像进行分类。经过训练的模型在所有现有方法中取得最高准确率。在仅训练30个epoch后，该模型实现了96.23%的裂纹存在分类准确率和96.74%的严重程度分类准确率。在训练20个epoch后，模型实现了97.64%的路标存在分类准确率。