2023年MathorCup大数据竞赛优秀论文-1.pdfVIP

队伍编号MCB2302202

赛道A

基于深度学习的坑洼道路检测和识别研究

摘要

道路的状况对于交通安全至关重要。坑洼道路是指路面出现了凹凸不平、有大大小

小的裂缝和洞坑等问题，不仅会给车辆和行人带来不便，还可能导致交通事故的发生。

随着近年来科技的进步，深度学习技术迅速发展，为坑洼道路检测任务提供了新的解决

方案。本文结合所给的图像文件，提取了图像特征，建立了识别图像道路坑洼与否的模

型，并从不同维度进行模型评估，并利用该模型对测试集中的图像进行分类识别。

针对问题一，需要建立一个识别道路坑洼的模型，由于数据集中normal和potholes

类的样本数量不平衡，所以对potholes类数据进行翻转和四等分裁剪操作以达到平衡数

据集的效果。在图像特征提取方面，本文使用VGG16获取图片特征向量并使用PCA降

维，同时分析图像颜色分布直方图和使用Canny算法检测轮廓特征。为了提高模型准

确率，本文引入两个深度学习模型Yolov5和Yolov8，同时加入一个基于集成学习的机

器学习模型。并采用加权投票的方法将机器学习、Yolov5和Yolov8的结果进行集成，

权重分别为0.2、0.4、0.4。这样可以有效解决两个深度学习模型分类结果歧义问题。

针对问题二，对模型进行了完整的训练和评估，从指标评价、鲁棒性和生成对抗样

本三个方面进行了分析。分别考察了损失函数变化、精确度和召回率、高斯噪声鲁棒性、

生成对抗样本及识别等，得出了模型具有一定的鲁棒性和抗对抗样本能力的结论。

对于Yolov5模型，其各项损失函数随着迭代的增加而逐渐降低、精确度和召回率

整体呈上升趋势，具体见图22；在噪声数据上，有4个样本前后识别结果不一致，分类

准确率为97.010%，鲁棒性较强；不考虑对抗攻击强度因素，在对抗样本上，仅有1个

对抗样本前后识别结果不同，抗对抗样本能力较强。

对于Yolov8模型，其损失函数同样随着迭代周期增加而降低，具体见图24，F1在

置信度为0.453时达到最大值0.59，精确度随置信度增加呈上升趋势，在0.914置信度

达到1.0；在噪声数据上，9个样本前后识别不一致，分类准确率下降了2.325%，为

96.678%，具有一定鲁棒性；不考虑对抗攻击强度因素，在对抗样本上，仅有2个对抗

样本前后识别结果不同，抗对抗样本能力较强。

综合上述评估指标，本文所构建的模型识别率较高、分类准确、鲁棒性较好，且具

有一定的抗对抗样本的能力。

针对问题三，将训练好的模型用于识别所给训练集中，对于正常道路需要标记为1，

对于坑洼道路需要标记为0，并将结果存入到“test_resulu.csv”文件中。

关键词：Yolov5Yolov8集成学习VGG16Canny算法生成对抗样本

1

目录

一、问题重述1

1.1问题背景1

1.2问题提出1

二、问题分析1

2.1问题一的分析1

2.2问题二的分析2

2.3问题三的分析2

三、符号说明2

四、模型建立与求解2

4.1问题一的模型建立与求解2

4.1.1数据预处理3

4.1.2图像特征提取4

4.1.3模型建立7

4.1.4基于集成学习的机器学习模型8

4.1.5基于Yolov5的深度学习模型9

4.1.6基于Yolov8的深度学习模型13

4.2问题二的模型建立与求解16

4.2.1模型训练16

4.2.2模型的指标评价1