Page 39 - 无损检测2023年第一期

仝泽兴, 等:

路面裂缝检测融合分割方法

作为 PSP-YOLO 检测分割网络的训练样本。
3 试验与结果
将数据集中的500张图像按照8∶1∶1 的比例进
试验基于 py thon编程语言与 ubuntu20.04 系 行训练, 即400张为训练集, 50张为验证集, 50张为
统并在 GPU 版本下的 py torch 深度学习环境下进 测试集。

行, 其中显卡型号为 NVIDIAGeForceRTX3060 , 3.2 试验结果与分析
torch版本为 py torch1.9.0 。在训练过程中采用动 根据数据集的特点, 选取平均检测精度( MAP )
态学习率的方法, 初始学习率为0.001 , 迭代次数为 和交并比作为检测分割算法的基本评价指标, 前者

1000 。 用于衡量算法检测模块的识别精度, 后者是分割模
3.1 数据集的介绍 块预测输出的目标区域块与手工标定的目标区域块
数据集为500张路面裂缝图像, 其中300张由 的重叠率, 用于评判分割模块的精度。
3.2.1 视觉对比分析
无人机低空悬停拍摄完成( 部分见图 6 ), 另外 200
张由第二节中所提出的 GAN 网络生成, 图7 ( a ) 为 在该 数 据 集 下 试 验 PSP-YOLO 算 法 与 原
GAN 网络初期生成的裂缝图像样本, 图 7 ( b ) 为 YOLOV5算法, 并从测试集中抽取了两组试验结

GAN 网络的 G-Net 与 D-Net损失值最小时生成的 果进行对比分析, 结果如图8所示( 每张分图的左图
裂缝图像样本, 可以看出, 当 GAN 网络损失值最小
为原 YOLO V5 算法的结果, 右图为 PSO-YOLO
时生成的裂缝图像极其接近真实的裂缝图像, 可以
算法的结果)。在图 8 ( a ) 中, 原 YOLO V5 算法虽
然可以检测出裂缝的上部, 但对于裂缝的中段位置,
其并没有输出目标检测框, 出现了断层现象, 而
PSP-YOLO 检测分割算法准确地在裂缝分布路径
上的每个位置都分配了目标检测框且目标检测框的

平均置信度约为0.96 , 大于原 YOLO V5算法的置
信度, 且在检测到裂缝对象的同时对裂缝进行了图

像分割, 获取了裂缝的分布路径与延展形态等信息。

在图8 ( b ) 中, 原 YOLOV5算法在处理背景较为复
图6 无人机拍摄的数据样本 杂的裂缝时出现了误检现象, 而 PSP-YOLO 检测分
割算法没有出现误检。综上所述, 在相同的试验条件

图7 GAN 网络在不同损失值时生成的数据样本 图8 两种算法的两组试验结果视觉对比

5
2023年 第45卷 第1期
无损检测