基于改进yolov3模型的公路路面破裂检测方法.docxVIP

基于改进yolov3模型的公路路面破裂检测方法 0 公路路面已受温度、湿度、环境等因素影响 道路安全发展水平不仅是一个国家经济发展水平的指标，也是一个国家生产力的重要体现。随着公路使用寿命的增加，公路路面受温度、湿度和外界环境等因素影响，开始出现裂缝、轮胎磨损痕迹及坑洼等现象。而及时检测修复破损路面将大大减少养护开销，并降低危险程度，为交通安全提供坚实的基础保障 1 基于残差结构的特征学习建模 YOLOV3模型特征提取网络使用Darknet-53。共53层卷积层，每个卷积层由1×1和3×3卷积核构成，其余为残差层，如图1所示。引入残差结构，可以很好控制梯度传播，构建更深网络，使得特征学习能力更强 该模型采用锚点框尺寸微调方法实现对边界框预测，由COCO数据集聚类得到9种锚点框尺寸，分配给3种不同特征图像，提高对不同大小目标的检测能力。二者对应关系如表1所示。 该模型进行预测时，将输入图像划分为S×S个网格，每个网格检查中心位于其内的边界框和置信度，表示为(t 式中，σ为sigmoid激活函数，(c 2 yolov3模型公路破损路面检测方法 为解决原YOLOV3模型中先验框尺寸不匹配训练样本集的问题，本文提出一种改进的YOLOV3模型公路破损路面检测方法。该方法对样本数据进行聚类，使其得到新先验框尺寸与训练样本匹配。此外，本文改进算法将原算法边界框损失函数进行修改，使其具有尺度不变性。 2.1 锚点框尺寸向文化拉伸 为改善训练效果，本文使用线性尺度缩放方法，将锚点框尺寸向两边拉伸，由下式计算： 式中：α为最小框缩小倍数，β为最大框扩大倍，试验确定α=0.5，β=1.5;w为扩展前锚点框宽度，w 2.2 ewell模型 本文以裂缝作为检测目标，由于裂缝形状差异较大且各行为之间关联，比一般目标更难区分，为使模型取得更好检测效果，对特征提取网络进行改进。本文将Dense Block结构与YOLOV3模型融合，提高网络对大目标检测能力。对于卷积神经网络H，假设输入图像为m 式中，m Res Net中增加的从输入到输出的残差(Residual)结构，由下式表示： Res Net可以使梯度经恒等映射到达前面的层，但它以叠加方式处理恒等映射和非线性输出，会破坏网络中的信息流。为此，设计Dense Net网络时引入Dense Block结构，如图2所示，从任何层到后续层的直接连接，这样由下式表示前m-1层的特征映射m 2.3 模型共演中的尺度不变性问题 YOLOV3模型的损失函数由坐标误差、分类误差和置信度误差构成。坐标误差由均方差(MSE)度量，对目标尺度不具有不变性。而预测框与真实框的交并比(Io U)具有尺度不变性，但Io U作为损失函数，存在预测框与真实框不重合时梯度为0，损失函数无法优化的问题。为此由下式构造新的损失函数： 式中，A 2.4 改进的denus模型 改进后的YOLOV3模型结构如图3所示。在原模型结构上增加2个Dense Block结构，达到加深网络的目的。在Dense Block中，1×1卷积用于降低输入特征通道数，3×3卷积用于新的特征提取，每层的输入均是前面所有层的输出，经特征通道拼接而成，过渡层进行特征融合和改变输出特征通道数。 对改进后的模型，若输入图像为512×512个像素，则由Dense Block结构输出最小特征图尺寸为4×4，是原图像的128倍下采样，由于下采样倍数高，特征图感受野更大，模型对大目标检测能力更强。改进后的模型使用上采样构造特征金字塔，并进行多尺度特征融合，实现高低层特征信息共享。 3 算法验证实验 本文实验运行环境：运行处理器为AMDRyzen5 5600H with Radeon Graphics 3.30 GHz，系统为Windows10,Python版本为3.6.10,keras版本为2.1.4。为验证本文方法的有效性，本文共收集5000幅图像，归一化后的大小为512*512。 本实验训练数据集共4000幅图像，测试集1000幅图像。通过实验，传统SVM公路破损路面检测方法与本文方法对光照条件好，路面破损简单，裂缝明显的图像检测效果差别很小。而对于光照条件差，裂缝图像较复杂图像来说，本文方法比传统方法检测效果明显，检测率和检测精度均高于传统方法。检测结果如图4所示。 4 yolov3模型的改进 公路路面破算检测方法的好坏对公路路面的维护至关重要，会直接影响路面维护所投入的人力、财力。本文提出一种改进的YOLOV3模型的公路破损路面算检测方法。该方法在原YOLOV3模型基础上增加2个Dense Block结构，通过对边界框损失函数进行优化，使得对不同尺寸的裂缝具有较高的鲁棒性。结果表明，本文提出的方法在正确检测率、处理速度方面均优于传统方法。 = = =