基于混合效应模型预测法的路面裂缝识别提升方法

作     者：潘莹莹 

作者单位：江西财经大学 

学位级别：硕士

导师姓名：刘小惠

授予年度：2023年

学科分类：08[工学] 0814[工学-土木工程] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程] 

主      题：裂缝识别 混合效应模型 深度学习 数字图像处理 

摘      要：经过多轮大型建设,我国公路建设重点正逐渐由“以建为主转变为“以养为主模式。在日常养护过程中,各类路面病害的有效识别十分重要,而且裂缝是最为常见且最容易发生的病害之一。传统的路面裂缝检测主要依靠人工检查方式完成,该方法虽然相对较准确,但需耗费大量人力物力,可人工方式可能存在较大安全隐患,因此如何构建更加自动化的识别手段是公路养护实践中大家非常关注的问题。近年来,将最新基于数字图像和深度学习的识别方法用于公路养护的做法逐渐进入人们视野,该方式可有效避免上述人工检查方法的许多缺点。然而,在对公路裂缝识别及测算的过程中,机器识别及后期测算的准确度还有待提高。其主要原因是在裂缝识别过程中,容易受到一些污渍等的干扰,从而影响到对裂缝的识别以及裂缝长度及宽度的测算。而这也将影响到对道路质量的评价。鉴于此,本文将建立机器识别值与人工识别值之间的统计预测模型,以微小代价对公路路面裂缝信息准确度进一步提升。具体来说,本文将采用最新发展的自动化识别道路裂缝的系统,它使用了适合路面裂缝识别的卷积神经网络架构并被学者们命名为YOLO深度学习算法。运用此系统,可以对输入的裂缝图像,在较短时间内进行裂缝识别,并给出裂缝的类型、长度、宽度等信息。为证明模型改进方法相对于算法改进法的广泛适用性,本文将采用应用Yolov4、Yolov5算法的两套自动化识别系统,得到机器给出的两套长度和宽度的基础上利用模型的方式进行改进,从而提高对裂缝测算的精度。注意到实际情况中,面临的道路病害、光照、天气等因素的不同,因此存在子总体的情况。鉴于此,本文创新性地将混合效应模型引入到裂缝识别提升领域中。为加大数据量,本文采用了“留一法来划分训练集和测试集。在训练集中训练模型,并在测试集中计算百分比相对误差的值,从而评估不同方法的表现。在预测模型的评估上,本文将线性混合效应模型的预测结果同机器直接识别及线性模型预测法进行对比。在建立混合效应模型时,本文采用了K-means的聚类方法。研究表明在两套数据上,基于模型的提升方法均优于机器直接识别法,同时基于线性混合效应模型的预测方法在不同程度上优于经典线性模型的预测方法。这也表明基于模型的改进方法具有广泛的适用性。同时由于基于模型的方法成本很低,因此模型改进法对于大量裂缝图片识别效果的提升具有非常重要的意义。