基于改进yolov3模型的公路路面破裂检测方法

基于改进yolov3模型的公路路面破裂检测方法

0公路路面已受温度、湿度、环境等因素影响道路安全发展水平不仅是一个国家经济发展水平的指标，也是一个国家生产力的重要体现。随着公路使用寿命的增加，公路路面受温度、湿度和外界环境等因素影响，开始出现裂缝、轮胎磨损痕迹及坑洼等现象。而及时检测修复破损路面将大大减少养护开销，并降低危险程度，为交通安全提供坚实的基础保障1基于残差结构的特征学习建模YOLOV3模型特征提取网络使用Darknet-53。共53层卷积层，每个卷积层由1×1和3×3卷积核构成，其余为残差层，如图1所示。引入残差结构，可以很好控制梯度传播，构建更深网络，使得特征学习能力更强该模型采用锚点框尺寸微调方法实现对边界框预测，由COCO数据集聚类得到9种锚点框尺寸，分配给3种不同特征图像，提高对不同大小目标的检测能力。二者对应关系如表1所示。该模型进行预测时，将输入图像划分为S×S个网格，每个网格检查中心位于其内的边界框和置信度，表示为(t式中，σ为sigmoid激活函数，(c2yolov3模型公路破损路面检测方法为解决原YOLOV3模型中先验框尺寸不匹配训练样本集的问题，本文提出一种改进的YOLOV3模型公路破损路面检测方法。该方法对样本数据进行聚类，使其得到新先验框尺寸与训练样本匹配。此外，本文改进算法将原算法边界框损失函数进行修改，使其具有尺度不变性。2.1锚点框尺寸向文化拉伸为改善训练效果，本文使用线性尺度缩放方法，将锚点框尺寸向两边拉伸，由下式计算：式中：α为最小框缩小倍数，β为最大框扩大倍，试验确定α=0.5，β=1.5;w为扩展前锚点框宽度，w2.2ewell模型本文以裂缝作为检测目标，由于裂缝形状差异较大且各行为之间关联，比一般目标更难区分，为使模型取得更好检测效果，对特征提取网络进行改进。本文将DenseBlock结构与YOLOV3模型融合，提高网络对大目标检测能力。对于卷积神经网络H，假设输入图像为m式中，mResNet中增加的从输入到输出的残差(Residual)结构，由下式表示：ResNet可以使梯度经恒等映射到达前面的层，但它以叠加方式处理恒等映射和非线性输出，会破坏网络中的信息流。为此，设计DenseNet网络时引入DenseBlock结构，如图2所示，从任何层到后续层的直接连接，这样由下式表示前m-1层的特征映射m2.3模型共演中的尺度不变性问题YOLOV3模型的损失函数由坐标误差、分类误差和置信度误差构成。坐标误差由均方差(MSE)度量，对目标尺度不具有不变性。而预测框与真实框的交并比(IoU)具有尺度不变性，但IoU作为损失函数，存在预测框与真实框不重合时梯度为0，损失函数无法优化的问题。为此由下式构造新的损失函数：式中，A2.4改进的denus模型改进后的YOLOV3模型结构如图3所示。在原模型结构上增加2个DenseBlock结构，达到加深网络的目的。在DenseBlock中，1×1卷积用于降低输入特征通道数，3×3卷积用于新的特征提取，每层的输入均是前面所有层的输出，经特征通道拼接而成，过渡层进行特征融合和改变输出特征通道数。对改进后的模型，若输入图像为512×512个像素，则由DenseBlock结构输出最小特征图尺寸为4×4，是原图像的128倍下采样，由于下采样倍数高，特征图感受野更大，模型对大目标检测能力更强。改进后的模型使用上采样构造特征金字塔，并进行多尺度特征融合，实现高低层特征信息共享。3算法验证实验本文实验运行环境：运行处理器为AMDRyzen55600HwithRadeonGraphics3.30GHz，系统为Windows10,Python版本为3.6.10,keras版本为2.1.4。为验证本文方法的有效性，本文共收集5000幅图像，归一化后的大小为512*512。本实验训练数据集共4000幅图像，测试集1000幅图像。通过实验，传统SVM公路破损路面检测方法与本文方法对光照条件好，路面破损简单，裂缝明显的图像检测效果差别很小。而对于光照条件差，裂缝图像较复杂图像来说，本文方法比传统方法检测效果明显，检测率和检测精度均高于传统方法。检测结果如图4所示。4yolov3模型的改进公路路面破算检测方法的好坏对公路路面的维护至关重要，会直接影响路面维护所投入的人力、财力。本文提出一种改进的YOLOV3模型的公路破损路面算检测方法。该方法在原YO