基于YOLO算法的探地雷达道路图像异常自动检测

探地雷达(ground-penetrating radar, GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了图像异常检测的难度。近年来,人工智能(artificial intelligence, AI)技术的快速发展为基于AI的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有RCNN(region-convolutional neural network)和YOLO(you only look once)。虽然YOLOv3在目标检测方面已经有了一定的成效,但YOLOv4的改进算法可以进一步提高检测能力。结合YOLOv3算法,对比研究分析YOLOv4目标检测算法的改进对于目标检测任务的影响,以及YOLOv4算法对探地雷达图像异常目标检测效率的提升能力。结果表明,YOLOv4的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。     

基于级联卷积神经网络的公路路基病害识别

针对当前公路路基病害识别中探地雷达(GPR)技术的数据分析还依赖于人工识别,识别效率低、准确性差问题,建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由2个卷积神经网络组成,分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试3个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性,并将级联卷积神经网络和Sobel边缘检测,K值聚类分析进行比较,以论证其优越性。结果表明:级联卷积神经网络在路基病害分类训练中的识别准确率为97.46%,验证中的识别准确率为95.80%,其识别路基病害的精度较高;级联卷积神经网络对发射频率300、500、900 MHz的图像分类准确率分别为94.20%、93.89%、94.57%,对不同公路结构的图像分类准确率分别为94.80%、94.78%、94.28%、94.21%,可见级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响;当图像分辨率较低时,Sobel边缘检测和K值聚类分析无法准确提取路基病害几何特征信息,级联卷积神经网络可通过分类器2准确识别;当图像分辨率较高时,Sobel边缘检测和K值聚类分析仅能提取路基病害的部分特征,后续病害类型的识别需要人工完成。可见级联卷积神经网络较其他算法在路基病害识别方面更准确、高效。     

广州地区城市道路病害探测图谱与优化方法

针对运营中的城市道路在路基病害探测中无法封路的情况,以广州市广花一级公路为工程背景,阐述了城市道路探地雷达(GPR)检测原理,并对检测精度影响因素进行了总结.提出了不影响正常交通条件下城市道路二维、三维探地雷达快速联合检测优化方法,以三维雷达图像进行初判、二维雷达深入检测并进行对比分析,实现道路病害的精确解译.运用此优...     

改进YOLOv3的桥梁表观病害检测识别

针对基于目标检测方法的桥梁表观病害检测存在检测精度低、误检率和漏检率高的问题,提出一种改进YOLOv3的高准确率桥梁表观病害检测识别方法。为实现局部特征和全局特征有效融合,在YOLOv3的检测层中添加固定分块大小的池化模块,并在YOLOv3的特征提取网络中引入了DenseNet密集型连接网络结构以增强桥梁病害特征在网络中的传播和利用效率,提高检测效率,采用数据增强技术来扩充样本图像以解决现有桥梁病害数据集样本数量不足的问题。实验结果表明,改进后的YOLOv3在桥梁表观病害检测上的平均准确率比原YOLOv3提高了3.0%,且模型训练时间减少了33.2%,同时降低了对桥梁表观病害检测的误检率和漏检率。     

基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

基于GPR信号频带介电谱特征的公路早期病害检测*

现有的探地雷达(GPR)技术都是在公路病害产生后进行病害定位,而不是在病害发生的早期对病害进行预测。为了实现公路早期病害检测,本文构建了公路早期病害识别系统,该系统充分利用GPR信号的频带介电谱特征,分别抽取训练样本和测试样本的频带介电谱特征向量,以识别公路早期病害情况。实验结果表明：频带介电谱特征向量能较好的表征GPR信号对应的地电信息,适用于GPR信号的分类;该系统能对公路基层的密实度特征和含水量特征进行有效识别,为公路早期病害检测提供了技术保障;此外,该系统具有很强的实时性,对各个测试样本进行特征向量提取和识别的平均耗时不大于0.8ms。     

基于探地雷达信号频带介电谱特征的公路早期病害检测

现有的探地雷达(GPR)技术都是在公路病害产生后进行病害定位;而不是在病害发生的早期对病害进行预测。为了实现公路早期病害检测,构建了公路早期病害识别系统;该系统充分利用GPR信号的频带介电谱特征,分别抽取训练样本和测试样本的频带介电谱特征向量,以识别公路早期病害情况。实验结果表明:频带介电谱特征向量可较好地表征GPR信号对应的地电信息,适用于GPR信号的分类;该系统能对公路基层的密实度特征和含水量特征进行有效识别,为公路早期病害检测提供了技术保障。此外,该系统具有很强的实时性,对各个测试样本进行特征向量提取和识别的平均耗时不大于0.8 ms。     

基于改进Faster R-CNN的路面灌封裂缝检测方法

路面灌封裂缝对路面使用寿命的影响较为突出,为了解决目前灌封裂缝检测技术匮乏的问题,文中提出了一种基于改进Faster R-CNN的路面灌封裂缝检测方法。首先,建立灌封裂缝图像集,对采集到的图像进行增广处理,构建路面灌封裂缝标注样本数据集,并将图像集按6∶2∶2的比例划分为训练集、验证集和测试集;接着,采用Faster R-CNN模型对灌封裂缝进行检测,针对Faster R-CNN检测灌封裂缝存在漏检、定位效果不够理想的问题,文中分别将VGG16、ZFNet和Resnet50网络的特征提取层与Faster R-CNN模型进行结合,结果表明,VGG16和Faster R-CNN结合的模型检测精度最高,达到0. 9031;然后,通过增加灌封裂缝候选框宽高比的方法继续改进模型,检测精度达到0. 907 3,且原先被漏检的目标能被检测出来;最后,对改进Faster R-CNN与YOLOv2模型的检测精度及定位效果进行对比,结果表明,文中提出的改进Faster RCNN能够明显提高对灌封裂缝的检测准确率和定位精度。     

基于ROS及YOLOv3的混凝土桥梁裂缝实时检测系统

为了提升既有混凝土结构的养护效率，提高结构的检测效率和精度，基于ROS架构和边缘计算设备，设计了便携式混凝土桥梁裂缝实时检测系统，通过YOLOv3算法实现了混凝土桥梁裂缝自动检测识别，并研究了不同数量训练集对模型性能的影响.结果表明，研发的混凝土裂缝实时检测系统能够整合硬件性能，完成对混凝土表观裂缝图像的实时获取，并在边缘计算设备上进行实时分析处理，实现了检测结果的实时显示.模型在训练集数量最多时平均精度最高，达到0.823.实验室环境下以预应力混凝土结构为例的测试结果表明，该系统能够较好地实现混凝土结构表观裂缝的检测.     

基于GPR的城市道路地下病害差值检测方法研究

地下工程施工对道路路基破坏产生的地下空洞等病害是导致城市道路路面坍塌事故频发的主要原因,探地雷达(GPR)以其无损、快捷以及浅层高分辨率的优势被广泛应用于道路地下病害检测中。针对目前GPR技术在地下病害一次性检测中存在的环境干扰严重和检测精度低的问题,提出了一种基于差值检测的道路地下病害检测方法。首先通过差值检测算法对配准后的不同时相雷达图像进行差值处理,识别出变化区域即病害可能出现区域,然后利用改进的核匹配追踪算法,识别并提取道路病害特征。根据回波波组形态、振幅和相位特性、吸收衰减特性等方面特征,初步建立地下病害属性划分标准,进而将不同种类病害分级以指导施工修复。对北京四环路部分路段进行应用实验,结果表明:该检测方法有效提高道路地下病害的检测精度至80%。该方法可实现道路病害检测由一次性检测技术向周期性监测技术的转换,为保障城市道路和地下管线安全提供有效的技术支撑。     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。     

基于改进YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

基于WRELAX时延估计算法的沥青面层分层厚度检测

沥青面层不同材料层的探地雷达(GPR)反射信号相互叠加,会降低沥青面层厚度检测的精度.为此,文中利用WRELAX时延估计算法分析沥青路面的1 GHz空耦GPR反射信号,以提高沥青路面分层厚度检测精度,并通过仿真实验和现场检测进行了效果验证.研究结果表明:WRELAX时延估计算法通过强信号搜索并在迭代计算中逐步去除强信号,使微弱的重叠信号得以显现,从而可以提取出信号时延和幅度的参数信息;1 GHz雷达信号应用WRELAX时延估计算法处理后可以有效检测沥青面层分层厚度,而且估计误差波动相对较小,算法稳健性较好,总体效果优于2 GHz雷达信号;WRELAX时延估计算法的沥青面层分层厚度估计最大相对误差小于5%,满足沥青路面分层厚度检测和评价要求.     

基于改进YOLOv5的道路目标检测

为提高自动驾驶中的道路目标检测精度,设计了一种基于YOLOv5的道路目标检测模型。该模型在YOLOv5s的网络模型基础上,将原始的初始锚框聚类算法改为K-means++算法来减小随机带来的聚类误差;并在Backbone中SPP模块之前引入SENet注意力机制,以增强道路目标重要特征并抑制一般特征,达到提高检测网络对道路目标的检测能力。在VOC2012改进数据集上训练、测试,基于改进的YOLOv5s的模型比原始YOLOv5s模型平均准确精度提高了2.4%。实验结果表明,改进的YOLOv5s模型能较好地满足道路目标检测的精度要求。     

基于图像高维特征压缩映射的混凝土表面裂缝检测算法

在复杂背景下,基于单一朴素特征表示的混凝土裂缝检测算法易受光照、背景杂波的干扰.利用多种图像区域特征描述子可以提取混凝土图像区域大量丰富的纹理特征,取得良好的裂缝病害检测效果.然而高维度的图像区域特征向量给后续的裂缝分类检测过程带来巨大的存储与计算负担.针对此问题,提出一种基于图像高维特征压缩映射的混凝土表面裂缝检测算法.基于Johnson-Lindenstrauss引理,本文算法可以利用较少的区域特征向量获得关于裂缝与非裂缝区域具有良好区分度的特征描述.在高维特征压缩映射的基础上,进一步利用最小二乘支持向量机快速准确地判断出裂缝与非裂缝样本.通过在实际采集的混凝土图像数据集上进行测试验证,本文算法的训练效率比高维样本模型训练快150多倍,同时裂缝病害区域检测准确率为90.3%、召回率为91.2%,优于其他对比裂缝检测算法.      

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

极点特征聚类的公路隐藏裂缝自动识别算法

对公路隐藏裂缝病害的无损检测与识别在公路养护中尤为重要,然而通常利用地质雷达检测获得的B-scan图像多是依靠其双曲线特征获得目标的位置信息,对目标介电属性等方面的深入研究还存在困难。对此该文提出一种基于极点特征聚类的地质雷达公路隐藏裂缝自动识别算法。首先对回波信号进行奇异值分解,提取体现目标信号的大奇异值,重构回波信号,由此不仅对回波信号进行降维,还去除了噪声干扰。通过解卷积过程获得目标的冲激响应,利用奇点展开法提取其晚时响应部分的极点信息,构建极点特征空间,根据已知环境样本对极点进行初始聚类中心优化并取其均值,利用此均值初始聚类中心对待识别目标回波的极点特征空间进行聚类。实验结果验证了算法的有效性。     

基于极限梯度提升和探地雷达时频特征的水泥路面脱空识别

针对探地雷达（GPR）数据解译依赖于人工经验，存在费时费力和主观偏差的问题，提出了基于极限梯度提升（XGBoost）和GPR时频特征的水泥路面脱空识别方法。采用正演模拟、室内试验和现场试验获得了脱空病害数据源，建立含有标签的脱空GPR数据集；通过重采样方法统一GPR数据采样频率，并对预处理后的GPR数据进行时频域特征提取，建立了包含18个时域和12个频域特征的数据集。以时频域特征为输入，是否存在脱空病害为输出，采用XGBoost算法构建脱空识别模型，并与随机森林（RF）和人工神经网络（ANN）算法进行对比。结果表明，模型的识别准确率排序为XGBoost(98.10%)>ANN(95.10%)>RF(93.17%),XGBoost模型识别精度最高，并能在实际路面上准确定位脱空区域。     

基于卷积神经网络的隧道富水破碎带地质超前预报图像解译方法

针对地质雷达图像解译依赖于专家经验、费时费力且易受主观因素影响精度的问题,提出基于卷积神经网络理论算法针对超前预报中富水破碎带自动化定位预测方法:设计了残差网络结构、损失函数与训练策略;通过对云南文马高速公路中3条重点隧道的地质雷达图像进行收集筛选,构建了富水破碎带深度特征提取的超前预报网络模型;在Pytorch深度学习框架下,采用训练预热策略及自适应矩估计(Adam)优化器实现了模型参数稳定收敛的高效训练.通过测试验证及对比实验,表明这种方法对隧道地质雷达图像中的富水破碎带不良地质体特征具有较好的检测精度.文马高速望城坡隧道实践证明,该方法可辅助判定隧道施工过程中富水破碎带,识别定位不良地质区域及概率置信度,为实际工程提供决策依据.     

基于YOLOv3及迁移学习的河道船舶目标检测算法

为加强对河道监控视频图像中散体物料采运船舶的监测和跟踪，从而辅助实现智能、高效的河道采砂监管和散体物料调度，基于You Only Look Once version 3（YOLOv3）算法及迁移学习提出一种河道散体物料船舶目标检测算法。首先使用COCO数据集训练初始的YOLOv3算法，得到模型的预训练权重；然后对从广西重要河道周围监控设备采集的采砂运砂船舶影像数据进行图像处理，得到高质量船舶数据集；最后以此数据集为驱动，利用迁移学习得到的预训练权重来训练针对河道采砂船等重点目标的YOLOv3检测模型。该模型采用Darknet-53作为主干网络，并融合了多尺度的特征图，从而实现对小、中、大等各类目标的检测。实验结果表明：该算法在测试集上的平均精度和检测速度分别达到98.00%和17.78 fps，对提高河道采砂监管效能和实现散体物料智能调度具有现实意义。