基于深度学习方法的路面裂缝目标检测

公路和城市道路最主要的路面损坏类型是裂缝类病害。能否准确识别，尤其在众多路面信息图像中高效甄别各类表观病害，为路面技术状况评定、养护科学决策和路面病害处置提供基础数据，是当前领域研究的重难点。为此，对横向裂缝、纵向裂缝、斜裂缝长度类和龟裂、破损板面积类等典型裂缝类病害几何特征进行分析，确定了自动识别裂缝样本标注方法，构建了路面裂缝目标检测样本库，包含沥青裂缝长度类图像样本6 311个、龟裂面积类图像样本4 086个、水泥裂缝长度类图像样本37 945个、破碎板面积类图像样本7 310个。基于Faster-RCNN进行训练验证，开展路面裂缝目标检测并实现自动识别。利用北京市政道路2 000 km路面图像进行试验验证，并与路面裂缝Unet分割自动识别方法进行对比。试验结果表明，开展路面裂缝目标检测可通过提出的深度学习方法，有效提高召回率和准确率，其值高达85%以上，自动识别运行效率为12.3帧/s,与Unet分割自动识别方法对比更接近路面裂缝实际情况。