2023年MathorCup大数据竞赛优秀论文-2.pdfVIP

队伍编号MCB2303012

赛道（A）

基于预训练的DenseNet-121模型的坑洼道路检测识别

摘要

本文主要建立了一个预训练的计算机视觉模型，对坑洼道路进行有效的检测。首先

对题目给出的数据集进行数据清洗和分析图像特征，再从CNN中选取四个较为典型的

预训练模型进行分别训练，检测，并选出最优、最适合本题的DenseNet-121模型进行训

练和多维度评估，并最终对题目给出的数据集进行检测。

针对问题一，对训练数据集进行数据清洗，重新分类错误图片，像素统一处理为

224×224大小，之后进行7:3的训练集和验证集的划分，并提取图像的特征信息。由于

题目给出的数据集过少，传统网络模型易出现过拟合现象，会消耗大量计算资源和时间，

故本文选用经典的VGG16、DenseNet-121、GoogLeNet和ResNet-50模型分别训练，对

四种模型从多角度分析评估，得到DenseNet-121模型的准确率达到99.34%，平均迭代

时间为16.02s，综合评价为四种模型中最佳，故选用DenseNet-121模型进行后续的训

练与预测。在建立DenseNet-121模型时，首先引入随机种子，加载训练好的参数，对图

像进行数据增强处理，以提高模型的泛化能力；冻结模型的权重，以防止预训练的权重

被破坏，并添加一个具有128个神经元和ReLU激活函数的全连接层进行二分任务，完

成DenseNet-121模型的建立。

针对问题二，对问题一建立的DenseNet-121模型进行训练和评估。本文从准确率、

损失函数、训练速度和鲁棒性等维度进行训练评估。首先测试模型的准确性，将训练好

的模型对训练集进行预测，得到了99.34%的准确率，绘制并观察ROC曲线，得到AUC

面积为0.98，模型性能良好；之后为测试模型的泛化能力，我们下载了新的681张图片

进行预测，发现对于新的数据集模型仍可达到96.34%的准确率；记录模型的训练耗时

信息，得到平均迭代时间16.02s；最后，对图像数据加入扰动，对比其扰动前和扰动后

模型的损失率和准确率，发现在50次的迭代次数下仍可快速的趋于稳定，模型鲁棒性

较高，具有识别率高、速度快、分类准确的特点。

针对问题三，将新的数据集同样统一处理为224×224的像素大小，在处理中，发现

名为guy7iodk.jpg的图像无法识别，将其剔除。之后进行特征提取并利用问题二中训练

好的模型进行检测，检测过程中生成随机16张图像与检测结果作为可视化示例，将结

果存储到test-result.csv文件中，通过统计发现共有1256张图像检测为正常道路，其余

3685张图像为坑洼道路。

关键词：图像分类CNN深度学习DenseNet-121道路坑洼

目录

一、问题重述1

1.1问题背景1

1.2问题重述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、模型假设3

四、符号说明3

五、问题一模型的建立与求解4

5.1数据预处理4

5.1.1异常值处理4

5.1.2图像归一化5

5.1.3标签编码5

5.1.4数据集划分6

5.1.5数据增强6

5.2CNN模型的建立6

5.2.1不同神经网络的对比与选择7

5.2.2DenseNet-121模型的构建15

六、问题二模型的建立与求解17

6.1准确率与损失函数18

6.2训练速度评估19

6.3鲁棒性评估20

七、问题三模型的建立与求解21

7.1数据预处理21

7.2特征提取22

7.3结果检测23

八、模型的评价、改进与推广24

8.1模型的优点24

8.2模型的缺点24

8.3模型的改进24

8.4模型的推广24

九、参考文献25

一、问题重述