2023年MathorCup大数据竞赛优秀论文-4.pdfVIP

队伍编号MCB2300890

赛道A

基于多模型调参优化的坑洼道路分类识别方法研究

摘要

道路基础设施是至关重要的公共资产，交通发达有助于经济发展和增长，同时带来

重要的社会效益。研究表明，事故率随着路面的粗糙度增加而增加，因此如何更好地维

护城市道路路面的长期稳定运行十分重要，因此道路坑洼检测分类具有很强的实际应用

价值和重要的意义。本文旨在建立一个以VisionTransformer为主干网络，基于多模型

调参优化的融合模型，对坑洼路面进行识别和分类。

针对问题一：主要对数据集统一预处理，获取数据特征并建立模型分析，根据多元

模型结合预测结果。首先进行数据预处理包括数据集扩充、数据集划分，数据标注等任

务；其次，在建立好的数据集上，采用迁移学习的的方法选取在大规模数据集上预训练

的权重，应用到VisionTransfromer模型对图像特征提取，分析特征并进行第一轮预测；

采用momentum动量优化方法达到学习率动态优化，利用梯度的移动指数加权平均使学

习率最优；Dropout算法防止过拟合和的同时组合多元神经网络，最终用k折交叉验证

算法的准确性。通过多方面综合手段，模型预测结果极其接近于真实值，效果良好，为

后续优化模型和评估模型提供了基础。

针对问题二，主要改进相关数据集的预测效果，评估预测的精度和速度，并检验预

测的合理性。本文首先根据多次实验结果，在平衡训练速度、模型性能和硬件资源的情

况下进行了超参数调优。其次，第二轮预测根据坑洼道路预测的“犹豫”现象采用模型

融合的思路，利用软投票加权的方式打分后归一化处理，得到合理的预测结果。在评价

指标的选择上，采用F1等指标量化模型预测效果，并利用PR曲线和ROG曲线可视化模

型的预测能力，最终将融合模型的真实效果与常见传统网络模型比对，在结果上证明了

模型的高效性和准确性。

最后，本文对所建立的模型的进行了整体评价及推广。

关键词：坑洼道路识别，特征工程，VisionTransformer，集成学习

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2

2.1问题整体分析2

2.2问题一的分析3

2.3问题二的分析4

三、问题假设4

四、符号说明5

五、数据预处理5

5.1原始数据分析5

5.2数据集的扩充7

5.2.1高斯模糊8

5.2.2图像旋转9

5.2.3图像裁剪9

5.3数据集划分9

5.4数据集标注10

六、针对问题一的模型建立与求解10

6.1基础坑洼分类网络的对比分析10

6.2图像预处理13

6.3特征提取分析14

6.4模型结构建立15

6.4.1网络结构15

6.4.2momentum动量优化算法16

6.4.3Dropout16

6.4.4交叉验证17

七、针对问题二的模型评估与分析17

7.1模型训练及其超参数调优17

7.2模型预测结果合理性分析18

7.3评价指标选择20

7.4常见分类模型效果对比评估22

八、模型整体评价与推广24

参考文献25

附录25

一、问题重述

1.1问题背景

我国道路交通设施的日益完善，使得人们的出行更加便捷。然而，我国城市道路在

长期的使用过程中，受到温度、湿度、风化等各种自然因素以及交通荷载的影响，容易

出现坑洼、裂缝等损坏现象。坑洼问题对道路安全造成严重影响，给人们的生活带来诸

多不便，如汽车爆胎、轮胎损坏、交通事故等。这些问题不仅缩短了道路的使用寿命，

还提高了交通事故的风险。

因此，路面状况与我们的安全息息相关，对道路状况进行实时、有效的监测和评估，

对于提高道路养护管理水平、保障交通安全具有重要意义。为解决这一问题，需要对路

面状况进行持续监测和维护，以确保人们的出行安全。

坑洼道路的检测和识别任务作为计算机视觉领域的一个重要研究方向，旨在实现对

道路表面状况的自动检测、识别和分类。由于不同坑洼图像的之间特征差异性、