基于深度學習的路面病害監(jiān)測技術研究

基于深度學習的路面病害檢

測技術研究Part

1

課題研究意義Part

4

公路路面巡檢應用實例Part

3

路面病害統(tǒng)計方法設計Part

5

總結(jié)與展望Part

2

路面病害檢測算法設計CONTENTS1

研究背景2

研究現(xiàn)狀

3

現(xiàn)存問題

4

/

主要工作課題背景與意義第一部分課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望縱向裂紋坑槽橫向裂紋龜裂“

研究背景”課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望“

研究現(xiàn)狀”人工現(xiàn)場巡檢①巡檢結(jié)果易受到巡檢人員主觀思想影響并且巡檢效率很低、巡檢成本很高②巡檢效率低導致對于中低等級道路的巡檢頻率較低或者幾乎不巡檢，造成公路損壞程度嚴重。巡檢車巡檢巡檢的準確性有所提高但是由于巡檢車成本較高，并且巡檢過程中行車速度很慢，不適用于中小型機構(gòu)完成日常巡檢任務可以提高巡檢效率，而且巡檢成本低可

以保證中低等級路段的日常巡檢課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望公路路面日常巡檢“

研究現(xiàn)狀智能化巡檢課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望現(xiàn)存問題道路路面背景復雜存在很多與待檢測病害特征相似的干擾物缺乏對路面病害檢測的

相關分析研究，對于識

別結(jié)果的分析較少，誤檢漏檢現(xiàn)

4

象普遍深度學習網(wǎng)絡檢測結(jié)果很大

程度上依賴訓練的圖片源，

目前缺乏標準有效的路面病害數(shù)據(jù)集”“231本研究為面向視頻的路面病害目標檢測分析。旨在針對道路路面背景復雜、病害目標尺度不一等場景下準確實現(xiàn)病害檢測需求，設計一個完整的病害檢測與分析統(tǒng)計系統(tǒng)，采用深度學習的算法，搭建起道路路面病害檢測模型框架，并基于對視頻中路面病害的檢測結(jié)果，從單幀病害的空間位置與相鄰多幀之間的時間關系完成對視頻中路面病害的準確統(tǒng)計。最后將本文算法應用在實際道路路面病害的巡檢分析中。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望“

主

要

工

作|研究目的”一、數(shù)據(jù)集搜集目前公開的路面病害數(shù)據(jù)集并將由車載攝像頭拍攝得到的路面視頻分幀后

標注，組建了十種路面病害類別的數(shù)據(jù)

集，使用五種數(shù)據(jù)增強方式對部分標簽

類別進行數(shù)據(jù)增強。四、公路路面巡檢應用實例將算法應用在實際的公路日常巡檢中，并對巡檢完成后的檢測結(jié)果與統(tǒng)計結(jié)果進行分析，通過對比人工統(tǒng)計結(jié)果與本文算法統(tǒng)計結(jié)果的匹配率，驗證本文算法的效果。二、網(wǎng)絡優(yōu)化采用深度學習的算法，搭建起基于視頻流的路面病害檢測架構(gòu)，并提出網(wǎng)絡改

進方案，優(yōu)化復雜背景路面病害的檢測

精度。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望三、路面病害統(tǒng)計為了實現(xiàn)路面病害的準確計數(shù)，提出一種基于視頻的路面病害統(tǒng)計算法。03040201”主要工作|已完成工作“1

數(shù)據(jù)集建立2

網(wǎng)絡模型搭建

3

網(wǎng)絡改進4

/

實驗驗證路面病害檢測算法設計第二部分數(shù)據(jù)集的好壞嚴重影響著網(wǎng)絡學習的最終效果，為了滿足數(shù)據(jù)集的普適性，本文中所建立的路面主要來自于各種道路類型、各種光照以及各種天氣下的共53640張病害圖像。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望”數(shù)據(jù)集建立|圖像搜集“

”類別橫向裂紋縱向裂紋龜

裂坑

槽橫向交接縫縱向交接縫瀝青修補井

蓋車道線污損人行道污損標簽D10D00D20D40D11D01RepairD50D44D43課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望“數(shù)

據(jù)

集

建

立

|

數(shù)

據(jù)

標

注對于搜集到的數(shù)據(jù)集需要進一步完成標注工作，以方便用于深度學習網(wǎng)絡訓練。借助圖片標注工具LabelImg，按照PASCALVOC數(shù)據(jù)集的格式要求，對數(shù)據(jù)集中的每一張圖像進行目標位置標注。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望“數(shù)

據(jù)

集

建

立

|

數(shù)

據(jù)

標

注”對部分病害類別進行數(shù)據(jù)增強后，病害標簽

共100012個，每種類別標簽數(shù)量均在一萬左

右。然后隨機選擇3200張圖像作為測試集，剩余部分按照9:1劃分為訓練集與驗證集

課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望

數(shù)據(jù)集建立|數(shù)據(jù)集增強標注完成的數(shù)據(jù)集中病害標簽個數(shù)共74308個，但由于本文需要檢測的病害類別有十種，因此目前的數(shù)據(jù)集存在

各個類別病害標簽數(shù)分布不均衡的情況。為了達到深度學習網(wǎng)絡訓練的各個類別標簽數(shù)量均衡的要求，本文對標簽量較少的數(shù)據(jù)集進行數(shù)據(jù)增強?！薄癥OLOv5網(wǎng)絡結(jié)構(gòu)：?

輸入像素級切片操作，下

采樣保留細節(jié)信息?

跨階段局部網(wǎng)絡結(jié)構(gòu)，自

動提取目標特征?空間金字塔池化結(jié)構(gòu)?多尺度特征圖構(gòu)建優(yōu)點：?網(wǎng)絡結(jié)構(gòu)靈活性強，可自

由調(diào)整深度和寬度?

計算量少，內(nèi)存成本低?

最大程度保留了淺層映射

圖具有的病害細節(jié)特征?

端到端課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望“

網(wǎng)絡模型搭建”注意力機制是近年來深度學習領域的超級研究熱點，其核心思想是評估各個特征通道的重要程度，然后根據(jù)其重要程度賦予各個特征通道合適的權重。首先，通過掃描全局信息，

找到局部有用的信息；第二，增強有用信息，抑制冗余信息。另外，每個特征圖的冗余信

息內(nèi)容往往是不同的，那么我們可以根據(jù)每個特征圖的情況，通過注意力機制自適應地設

置不同的閾值。殘差收縮網(wǎng)絡殘差網(wǎng)絡對比普通卷積神經(jīng)網(wǎng)絡使用了跨層恒等連接方式

，使網(wǎng)絡的訓練難度變小。收縮網(wǎng)絡是大部分降噪方法的核心步驟。首先，我們需要設置一個正數(shù)閾值。該閾值不能

太大，即不能大于輸入數(shù)據(jù)絕對值的最大值，否則輸出會全部為零。然后，收縮網(wǎng)絡會將絕對值低于這個閾值的輸入數(shù)據(jù)設置為零。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望網(wǎng)

絡

改

進

點|注

意

力

機

制+

殘

差

收

縮網(wǎng)

絡”“注意力機制課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望網(wǎng)

絡

改

進

點|注

意

力

機

制+

殘

差

收

縮網(wǎng)

絡”“下式描述圖(b)中P6層的兩個特征層融合的過程P

td

=

Conv

(|

w1.

P6

+

w2

.

Resize

(P7

)

)|P6

Conv

(|

w

.

P

+

w

'.

P

'

+

w

'.

Resize

(P

)

|6

6)out5dt6in6out3'2'1'inin6123將只有輸入而沒有進行特征融合的點刪除，

這樣既不會影響網(wǎng)絡還簡化了結(jié)構(gòu)，使網(wǎng)絡

底層到頂層路徑變短，從而減少計算量。將在同一層的輸入與輸出節(jié)點之間添加一條

可以直接融合的邊，這樣使同一層兩點間的

融合成本降低。可以通過設計網(wǎng)絡結(jié)構(gòu)決定BiFPN網(wǎng)絡具

體的使用次數(shù)。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望為了區(qū)分不同輸入特征的重要性提出了一種根據(jù)設置預先權重來區(qū)

分輸入特征融合貢獻的方法=

|（

w1

+

w2

+

w3

+

ε

)|網(wǎng)

絡

改

進

點|重

復

雙向

特

征

金字

塔(BiFPN

)Q

=

Σi

wi|（

w1

+

w

2

+ε

)|”PZout

=ReLU

(Pout

)重復雙向特征金字塔(Bifpn)“權重公式:課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望將骨干網(wǎng)絡的輸出作為BiFPN的輸入，在循環(huán)中根據(jù)輸出結(jié)果構(gòu)建新的輸入，并將其傳遞給下一

個BiFPN模塊。堆疊重復雙向特征金字塔

(BiFPN)

模塊是指通過設計網(wǎng)絡結(jié)構(gòu)實現(xiàn)BiFPN模塊的堆疊。這樣增加了特征金字塔的深度和廣度，從而提高了模型的感受野與檢測精度。3

可以通過設計網(wǎng)絡結(jié)構(gòu)決定BiFPN網(wǎng)絡具

體的使用次數(shù)。網(wǎng)

絡

改

進

點|堆

疊

重

復

雙向

特

征

金

字

塔“具體做法：好處：病害類別及標簽YOLOv5網(wǎng)絡本文網(wǎng)絡橫向裂紋D100.700.74縱向裂紋D000.630.64龜裂D200.770.80坑槽D400.700.74橫向交接縫D110.600.64縱向交接縫D010.610.69井蓋D500.880.88瀝青修補Repair0.870.90車道線污損D440.930.95人行車道污損D430.950.97檢測網(wǎng)絡PrecisionRecallmAP參數(shù)量每秒檢測幀數(shù)Faster

R_CNN90.41%82.4%0.741137,078,29321.37YOLOv487.64%79.98%0.69446,636,73527.98YOLOv588.7%79.87%0.69846,156,74328.41本文網(wǎng)絡90.4%81.3%0.72849,498,49926.34網(wǎng)絡RecallPrecisionmAP參數(shù)量每秒檢測幀數(shù)YOLOv579.87%88.7%0.69846,156,74328.41YOLOv5_Bifpn80.04%89.5%0.70847,654,23528.13YOLOv5_RCSM80.15%89.8%0.71247,654,25828.01本文網(wǎng)絡81.3%90.4%0.72849,498,49926.34課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望“路

面

病

害

檢

測

實

驗

|

數(shù)據(jù)驗證”課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望路

面

病

害

檢

測

實

驗|直

觀

驗

證”“課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望路

面

病

害

檢

測

實

驗|直

觀

驗

證”“課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望路

面

病

害

檢

測

實

驗|直

觀

驗

證”“1

單幀目標病害去重算法2

相鄰多幀多目標病害跟蹤算法3

病害個數(shù)統(tǒng)計算法路面病害統(tǒng)計方法設計第三部分病害檢測方法已經(jīng)可以準確將圖像中目標病害使用檢

測框標記并將對應的類別標簽展示。但由于現(xiàn)實中拍

攝的病害存在尺寸較大、形狀不規(guī)則、且同一處病害

存在不連續(xù)等情況。若直接對檢測框進行統(tǒng)計，必然

會導致同一處病害的重復統(tǒng)計，造成病害統(tǒng)計結(jié)果沒

有參考價值。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望在對病害統(tǒng)計之前，首先完成對同一圖像中同一位置病害的同類別檢測框采用空間位置合并算法實現(xiàn)去重。路

面

病

害

統(tǒng)

計|單

幀目

標

病

害

去

重

算

法”“課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望路

面

病

害

統(tǒng)

計|單

幀

空

間

位

置

合

并

算

法循環(huán)對類別相同的檢測框采用空間位置合并算法同一位置病害被檢測框標記情況不處理被多個檢測框標記只被一個檢測框標記”該病害被一個合并后的檢測框標記不處理結(jié)束“是否設矩形框A和矩形框B在X軸方向兩個中心點的距離Dx為：Dx=abs(

(x01+x02)/2–

(x11+x12)/2)設矩形框A和矩形框B在Y軸方向兩個中心點的距離Dy為：Dy=abs(

(y01+y02)/2–

(y11+y12)/2)空間位置合并算法是根據(jù)兩個矩形空間位置判斷是否需要完成合并；具體的實現(xiàn)核心算法為：①判斷兩個矩形空間位置是否存在相交；②若相交則對這兩個矩形進行合并。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望設矩形框A

、B的左上角和右下角坐標為(x01

，y01

),(x02,y02),

(x11,y11),

(x12,y12)路

面

病

害

統(tǒng)

計|空

間

位

置

合

并

算

法”ABAAAA“BBBcase

5case

4case

2case

3case

1BDx<=

(Dax+

Dbx)/2&&

Dy<=(Day+

Dby)/2設合并之后的矩形左上角和右下角的坐標為(x1,y1),(x2,y2):x1=

min(x01,x11),y1=min(y01,y11)x2=max(x02,x12),y2=max(y02,y12)設矩形框A

、B在X軸方向的長度為Dax與Dbx：Dax=abs(x01-x02),Dbx=abs(x11-x12)設矩形框A

、B在Y軸方向的長度為Day與Dby：課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望Day=abs(y01-y02),Dby=abs(y11-y12)如果矩形框A和B相交滿足：判斷兩個矩形框是否相交路

面

病

害

統(tǒng)

計|空

間

位

置

合

并

算

法”“課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望根據(jù)病害檢測框的存在位置主要有以下幾種：第一種：

同一位置病害只被一個檢測框標記；路

面

病

害

統(tǒng)

計|單

幀目

標

病

害

去

重

算

法第三種：

同一位置病害被兩個標簽類別相同的檢測框標記；第二種：

同一位置病害被兩個標簽類別不同的檢測框標記；第四種：

同一位置病害被多個標簽類別相同的檢測框標記；”“”課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望為了驗證本節(jié)單幀空間位置合并算法的有效性，分別使用初始路面病害檢測結(jié)果與添加了單幀空間位置合并算法的檢測結(jié)果進行對比實驗。路

面

病

害

統(tǒng)

計|單

幀目

標

病

害

去

重

算

法“實驗結(jié)果與分析”課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望路

面

病

害

統(tǒng)

計|單

幀目

標

病

害

去

重

算

法“當前幀中相對于車的路面病害的狀態(tài)，即位置(position)和速度(velocity)滿足高斯分布，表示為：

t

=

vtpt課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

t

=

=

Δt]「pt

1

]

「Δt2

/2]1

」|

|Lvt

1

」|

+

|L

Δt

」|

ut

t

-=

Ft

t-1

+

Btut狀態(tài)預測方程1-t01vtppt

=

pt-1

+

Δt.

vt-1

+

ut

xΔt2vt

=

vt-1

+

ut

xΔt轉(zhuǎn)換為矩陣形式為令病害相對于拍攝車的加速度為

ut

,和上一幀中此病害的狀態(tài)關系可以表示為相鄰多幀多目標病害跟蹤算法-卡爾曼濾波算法”Ntk

=

FtNt-1Ft

T

+

Mt引入系統(tǒng)的不確定性和噪聲“狀態(tài)預測方程2引入觀測的不確定性矩陣R,觀測矩陣為

H觀測值和真實值的關系為-

Z

=

Hx

+

Rt

t觀測值和真實值為對狀態(tài)預測方程進行修正課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望使用狀態(tài)預測方程1和2預測某一幀中的路面病害在下一幀中的狀態(tài)，結(jié)合修正方程可以得到對目標路面病害的最優(yōu)估計值

相鄰多幀多目標病害跟蹤算法-卡爾曼濾波算法“xt

=

xtk

+

Kt

(Zt

-Hxtk

)Kt

=

NtkHT

(HNtkHT

+

R)

Nt

=

(1

-

KtH

)Ntk-1”修正方程-

課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

相鄰多幀多目標病害跟蹤算法

“(a)路面視頻第i幀

(b)病害檢測結(jié)果”檢測結(jié)果和

預測結(jié)果計

算交并比(e)位置的最優(yōu)估計值(c)病害狀態(tài)預測(d交并比矩陣表示本實驗研究的病害表示使用路面病害檢測算法完成的病害檢測結(jié)果表示由該幀的檢測結(jié)果對上一幀預測結(jié)果修正后的最優(yōu)值結(jié)果課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

相鄰多幀多目標病害跟蹤算法-實驗結(jié)果與分析1“”表示本實驗研究的病害表示使用路面病害檢測算法完成的病害檢測結(jié)果表示由該幀的檢測結(jié)果對上一幀預測結(jié)果修正后的最優(yōu)值結(jié)果課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

相鄰多幀多目標病害跟蹤算法-實驗結(jié)果與分析2“”課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望“路面病害統(tǒng)計實現(xiàn)

”表示本實驗研究的病害表示使用路面病害檢測算法完成的病害檢測結(jié)果表示由該幀的檢測結(jié)果對上一幀預測結(jié)果修正后的最優(yōu)值結(jié)果課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

路面病害統(tǒng)計-實驗結(jié)果“”表示本實驗研究的病害表示使用路面病害檢測算法完成的病害檢測結(jié)果表示由該幀的檢測結(jié)果對上一幀預測結(jié)果修正后的最優(yōu)值結(jié)果課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

路面病害統(tǒng)計-實驗結(jié)果“”“”視頻序列類別本文網(wǎng)絡統(tǒng)計結(jié)果人工統(tǒng)計結(jié)果V_1縱向裂紋D0064橫向裂紋D1012龜裂D2000坑槽D4064V_2縱向裂紋D006765橫向裂紋D107064龜裂D202624坑槽D4042V_3縱向裂紋D0021橫向裂紋D1011龜裂D2000坑槽D4000V_4縱向裂紋D004139橫向裂紋D1021龜裂D2042坑槽D4000路面病害統(tǒng)計-實驗分析為驗證在多幀中所有病害的統(tǒng)計準確率，使用通過車載攝像頭拍攝得到的四

段不同類型路面的視頻進行對比實驗。視頻V_

1和第二段視頻V_2拍攝于省級道路，分辨率均為1920*

1080

，幀率

為每秒59幀，視頻總幀數(shù)為300幀。V_

1

拍攝于省級道路狀態(tài)較好的路面，V_2

拍攝于省級道路狀態(tài)較差的路面。第三段V_3和第四段V_4拍攝于高速公路路面，分辨率為1920*

1090

，幀率

為每秒59.94幀，視頻總幀數(shù)為300幀。

V_3拍攝于高速公路狀態(tài)較好的路面，

V_4拍攝于高速公路狀態(tài)較差的路面。課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

路面病害統(tǒng)計-實驗展示“公路路面巡檢應用實例路面病害檢測網(wǎng)絡”總結(jié)與展望課題研究意義

路面病害統(tǒng)計算法課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

路面病害統(tǒng)計-實驗展示“”1

應用案例一2

應用案例二3

應用案例三4

/

應用結(jié)果分析公路路面巡檢應用實例第四部分課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

公路路面巡檢-應用案例一“”課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

公路路面巡檢-應用案例二“”課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望

公路路面巡檢-應用案例三“”視頻序列類別本文算法統(tǒng)計結(jié)果人工統(tǒng)計結(jié)果兩者匹配率s81高速k4+000-k15+000段縱向裂紋D0027826495%分辨率1920*1080橫向裂紋D1015914188%總幀數(shù)：42420幀龜裂D20675988%坑槽D4016715492%s81高速k0+000-k3+300段縱向裂紋D0012711288%分辨率1920*1080橫向裂紋D10766583%總幀數(shù)：22688幀龜裂D20232191%坑槽D4030128494%海豐視頻縱向裂紋D0067563594%分辨率1920*1080橫向裂紋D1011610288%總幀數(shù)：42420幀龜裂D20363494%坑槽D4036634092%。

S101線35.259-48.9675下行路段縱向裂紋D0092186694%分辨率1920*1080橫向裂紋D1057450688%總幀數(shù)：24723幀龜裂D2020419294%坑槽D40393692%S101線23.138-32.944上行路段縱向裂紋D0076171293%分辨率1920*1080橫向裂紋D1068362391%總幀數(shù)：25014龜裂D2021220295%坑槽D4029226089%從人工統(tǒng)計結(jié)果與本文算法統(tǒng)計結(jié)果的匹配率來看，對于高速公路以及省級道路的每個路段視頻中各類病害統(tǒng)計個數(shù)的匹配率均達到了80%以上，其中，s81高速k4+000-k15+000段中的縱紋和S101線23.138-32.944上行段中的龜裂匹配率達到了95%

，最低的匹配率為s81高速k0+000-k3+300段中的橫向裂紋也有83%這個匹配率是符合實際的日常巡檢要求的，因此將該算法運用到實際日常巡檢是可行的。（表中的視頻以及人工統(tǒng)計結(jié)果均由廣州機場高速公路營運管理有限公司和廣州北環(huán)智能交通科技有限公司提供）課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法

公路路面巡檢應用實例總結(jié)與展望“公路路面巡檢-應用結(jié)果分析1

總結(jié)與展望總結(jié)與展望第五部分課題研究意義路面病害檢測網(wǎng)絡路面病害統(tǒng)計算法公路路面巡檢應用實例總結(jié)與展望研究總結(jié)設計改進YOLOv5的病害檢測模型，在骨干網(wǎng)絡中采用改進后