Page 40 - 无损检测2023年第一期
P. 40

仝泽兴, 等:

   路面裂缝检测融合分割方法

   下, PSP-YOLO 检测分割算法相较于原 YOLOV5算

   法的抗干扰能力更强, 误检率和漏检率更低。
   3.2.2 量化对比分析
       为进一步验证 PSP-YOLO 检测分割算法的可

   靠性, 采用量化对比的方法对原 YOLO V5算法与
   PSP-YOLO 算法 进 行 分 析。图 9 为 两 种 算 法 的
   P-R 曲线( 召回率 - 精确率曲线), 曲线所围面积即为
   网络的平均检测精度, 面积越大则说明该网络的精
   度越高。由图9可知, PSP-YOLO 算法的检测精度                                    图9 两种网络的 P-R 曲线

   高于原 YOLOV5算法的检测精度, 更加适用于路                         可见轻度复杂背景中的裂缝拓扑形态较为简单, 粗
   面裂缝检测的实际应用。                                       细均匀, 背景颜色与纹理清晰且单一, 没有图像噪声
       此外, 背景的复杂性不同也会影响到算法的检                         的影响; 中度复杂背景中的裂缝较为细小, 背景颜色
   测精度, 在试验阶段, 对于高度复杂背景的裂缝图                          与纹理较为复杂, 容易产生引起网络误判的噪声因

   像, YOLOV5常常会出现误判现象。因此, 将测试                        素; 高度复杂背景中裂缝的拓扑形态复杂, 裂缝粗细
   集中的图像根据背景复杂程度的不同分为3组进行                            不均且细小, 背景颜色与纹理十分复杂且背景中的
   试验, 分别为轻度复杂背景、 中度复杂背景、 高度复                        噪声繁多, 很容易使网络产生误判。

   杂 背景。 不同复杂度背景的裂缝图像如图 10 所示,                            图 11 与 图 12 分 别 为YOLOV5 与PSP-YOLO















                                     图10 不同复杂度背景的裂缝图像
































                                图11 两种算法检测不同复杂度背景裂缝的结果

    6
          2023年 第45卷 第1期
          无损检测
   35   36   37   38   39   40   41   42   43   44   45