基于改進(jìn)yolov3模型的公路路面破裂檢測(cè)方法

基于改進(jìn)yolov3模型的公路路面破裂檢測(cè)方法

0公路路面已受溫度、濕度、環(huán)境等因素影響道路安全發(fā)展水平不僅是一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展水平的指標(biāo)，也是一個(gè)國(guó)家生產(chǎn)力的重要體現(xiàn)。隨著公路使用壽命的增加，公路路面受溫度、濕度和外界環(huán)境等因素影響，開(kāi)始出現(xiàn)裂縫、輪胎磨損痕跡及坑洼等現(xiàn)象。而及時(shí)檢測(cè)修復(fù)破損路面將大大減少養(yǎng)護(hù)開(kāi)銷(xiāo)，并降低危險(xiǎn)程度，為交通安全提供堅(jiān)實(shí)的基礎(chǔ)保障1基于殘差結(jié)構(gòu)的特征學(xué)習(xí)建模YOLOV3模型特征提取網(wǎng)絡(luò)使用Darknet-53。共53層卷積層，每個(gè)卷積層由1×1和3×3卷積核構(gòu)成，其余為殘差層，如圖1所示。引入殘差結(jié)構(gòu)，可以很好控制梯度傳播，構(gòu)建更深網(wǎng)絡(luò)，使得特征學(xué)習(xí)能力更強(qiáng)該模型采用錨點(diǎn)框尺寸微調(diào)方法實(shí)現(xiàn)對(duì)邊界框預(yù)測(cè)，由COCO數(shù)據(jù)集聚類(lèi)得到9種錨點(diǎn)框尺寸，分配給3種不同特征圖像，提高對(duì)不同大小目標(biāo)的檢測(cè)能力。二者對(duì)應(yīng)關(guān)系如表1所示。該模型進(jìn)行預(yù)測(cè)時(shí)，將輸入圖像劃分為S×S個(gè)網(wǎng)格，每個(gè)網(wǎng)格檢查中心位于其內(nèi)的邊界框和置信度，表示為(t式中，σ為sigmoid激活函數(shù)，(c2yolov3模型公路破損路面檢測(cè)方法為解決原YOLOV3模型中先驗(yàn)框尺寸不匹配訓(xùn)練樣本集的問(wèn)題，本文提出一種改進(jìn)的YOLOV3模型公路破損路面檢測(cè)方法。該方法對(duì)樣本數(shù)據(jù)進(jìn)行聚類(lèi)，使其得到新先驗(yàn)框尺寸與訓(xùn)練樣本匹配。此外，本文改進(jìn)算法將原算法邊界框損失函數(shù)進(jìn)行修改，使其具有尺度不變性。2.1錨點(diǎn)框尺寸向文化拉伸為改善訓(xùn)練效果，本文使用線(xiàn)性尺度縮放方法，將錨點(diǎn)框尺寸向兩邊拉伸，由下式計(jì)算：式中：α為最小框縮小倍數(shù)，β為最大框擴(kuò)大倍，試驗(yàn)確定α=0.5，β=1.5;w為擴(kuò)展前錨點(diǎn)框?qū)挾龋瑆2.2ewell模型本文以裂縫作為檢測(cè)目標(biāo)，由于裂縫形狀差異較大且各行為之間關(guān)聯(lián)，比一般目標(biāo)更難區(qū)分，為使模型取得更好檢測(cè)效果，對(duì)特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)。本文將DenseBlock結(jié)構(gòu)與YOLOV3模型融合，提高網(wǎng)絡(luò)對(duì)大目標(biāo)檢測(cè)能力。對(duì)于卷積神經(jīng)網(wǎng)絡(luò)H，假設(shè)輸入圖像為m式中，mResNet中增加的從輸入到輸出的殘差(Residual)結(jié)構(gòu)，由下式表示：ResNet可以使梯度經(jīng)恒等映射到達(dá)前面的層，但它以疊加方式處理恒等映射和非線(xiàn)性輸出，會(huì)破壞網(wǎng)絡(luò)中的信息流。為此，設(shè)計(jì)DenseNet網(wǎng)絡(luò)時(shí)引入DenseBlock結(jié)構(gòu)，如圖2所示，從任何層到后續(xù)層的直接連接，這樣由下式表示前m-1層的特征映射m2.3模型共演中的尺度不變性問(wèn)題YOLOV3模型的損失函數(shù)由坐標(biāo)誤差、分類(lèi)誤差和置信度誤差構(gòu)成。坐標(biāo)誤差由均方差(MSE)度量，對(duì)目標(biāo)尺度不具有不變性。而預(yù)測(cè)框與真實(shí)框的交并比(IoU)具有尺度不變性，但I(xiàn)oU作為損失函數(shù)，存在預(yù)測(cè)框與真實(shí)框不重合時(shí)梯度為0，損失函數(shù)無(wú)法優(yōu)化的問(wèn)題。為此由下式構(gòu)造新的損失函數(shù)：式中，A2.4改進(jìn)的denus模型改進(jìn)后的YOLOV3模型結(jié)構(gòu)如圖3所示。在原模型結(jié)構(gòu)上增加2個(gè)DenseBlock結(jié)構(gòu)，達(dá)到加深網(wǎng)絡(luò)的目的。在DenseBlock中，1×1卷積用于降低輸入特征通道數(shù)，3×3卷積用于新的特征提取，每層的輸入均是前面所有層的輸出，經(jīng)特征通道拼接而成，過(guò)渡層進(jìn)行特征融合和改變輸出特征通道數(shù)。對(duì)改進(jìn)后的模型，若輸入圖像為512×512個(gè)像素，則由DenseBlock結(jié)構(gòu)輸出最小特征圖尺寸為4×4，是原圖像的128倍下采樣，由于下采樣倍數(shù)高，特征圖感受野更大，模型對(duì)大目標(biāo)檢測(cè)能力更強(qiáng)。改進(jìn)后的模型使用上采樣構(gòu)造特征金字塔，并進(jìn)行多尺度特征融合，實(shí)現(xiàn)高低層特征信息共享。3算法驗(yàn)證實(shí)驗(yàn)本文實(shí)驗(yàn)運(yùn)行環(huán)境：運(yùn)行處理器為AMDRyzen55600HwithRadeonGraphics3.30GHz，系統(tǒng)為Windows10,Python版本為3.6.10,keras版本為2.1.4。為驗(yàn)證本文方法的有效性，本文共收集5000幅圖像，歸一化后的大小為512*512。本實(shí)驗(yàn)訓(xùn)練數(shù)據(jù)集共4000幅圖像，測(cè)試集1000幅圖像。通過(guò)實(shí)驗(yàn)，傳統(tǒng)SVM公路破損路面檢測(cè)方法與本文方法對(duì)光照條件好，路面破損簡(jiǎn)單，裂縫明顯的圖像檢測(cè)效果差別很小。而對(duì)于光照條件差，裂縫圖像較復(fù)雜圖像來(lái)說(shuō)，本文方法比傳統(tǒng)方法檢測(cè)效果明顯，檢測(cè)率和檢測(cè)精度均高于傳統(tǒng)方法。檢測(cè)結(jié)果如圖4所示。4yolov3模型的改進(jìn)公路路面破算檢測(cè)方法的好壞對(duì)公路路面的維護(hù)至關(guān)重要，會(huì)直接影響路面維護(hù)所投入的人力、財(cái)力。本文提出一種改進(jìn)的YOLOV3模型的公路破損路面算檢測(cè)方法。該方法在原YO