一种改进型Mask R-CNN模型的路面裂缝识别方法

肖力炀; 李伟; 袁博; 崔逸群; 高荣; 王文庆

doi:10.13203/j.whugis20210279

一种改进型Mask R-CNN模型的路面裂缝识别方法

doi: 10.13203/j.whugis20210279

1.西安热工研究院有限公司, 陕西西安 710032;
2.长安大学信息工程学院, 陕西西安 710064

基金项目:

国家重点研发计划“综合交通运输与智能交通”专项(2018YFB1600202)；国家自然科学基金面上项目(51978071)；国家自然科学基金青年科学基金资助项目(51908059)

详细信息

作者简介:
肖力炀，硕士，主要从事人工智能与深度学习领域的研究。E-mail:liyang_xiao@163.com

中图分类号: U418.6

Pavement Crack Automatic Identification Method Based on Improved Mask R-CNN Model

1. Xi'an Thermal Power Research Institute, Xi'an 710032, Shaanxi, China;
2. Chang'an University, School of Information Engineering, Xi'an 710064, Shaanxi, China

Funds:

Supported by the National Key Research and Development Program “Comprehensive Transportation and Intelligent Transportation” Special Project (2018YFB1600202),the National Natural Science Foundation of China (51978071) and the Youth Fund of the National Natural Science Foundation of China (51908059).

摘要: 为了解决现有裂缝识别算法的准确度不高、检测与分割任务不能同时进行等问题，本文提出了一种基于改进型Mask R-CNN模型的路面裂缝识别方法。首先，建立本文的裂缝数据集并进行标注，然后使用Mask R-CNN模型对裂缝数据集进行训练和测试，并对模型中锚点的长宽比进行调整，实现在裂缝定位的同时对生成检测框内的裂缝像素进行分割；其次，针对Mask R-CNN模型生成裂缝检测框的不精准问题，设计了一种改进的C-Mask RCNN多阈值检测方法，通过结合级联不同阈值的检测器来提高候选框质量，实现高阈值检测下的裂缝精准定位；最后，对改进后的模型进行一系列的优化参数和实验对比，并验证所提模型的有效性。实验结果表明，C-Mask RCNN模型检测部分的准确率达到95.4%，与改进前模型相比提升了9.7%，分割部分的准确率达到93.5%，与改进前相比提升了13.0%，识别效果较好。综上所述，本文提出的C-Mask RCNN模型可以较为完整的对裂缝进行定位及提取，识别精度较高。
- 路面裂缝识别 /
- 深度学习 /
- Mask R-CNN模型 /
- 级联阈值检测器 /
- 道路工程
Abstract: Objectives: In order to solve problems of low accuracy and single task in the existing crack identification algorithm, this paper proposes a pavement crack identification method via improved Mask R-CNN model. Methods: Firstly, the crack dataset is collected and labeled.Through the training and optimization of the Mask R-CNN model, the crack pixels in the generated detection box are segmented while the crack is located. Secondly, to solve the problems of inaccurate detection of crack edge and low accuracy of Mask R-CNN model, an improved C-Mask RCNN is designed, which improves the quality of crack region proposal generation by cascading multi threshold detectors and achieves accurate positioning under high threshold. Finally,a series of optimization parameters and experimental comparison are carried out for the improved model, and the effectiveness of the proposed model is verified. Results: The experimental results show that the mean average precision of C-Mask RCNN model detection part is 95.4%, which is 9.7% higher than that of the conventional model, and the mean average precision of the segmentation part is 93.5%, which is 13.0% higher than that of the conventional model. Conclusions: In summary, the C-Mask RCNN model proposed in this paper can locate and extract cracks with high identification accuracy.
- pavement crack identification /
- deep learning /
- Mask R-CNN model /
- cascade threshold detector /
- road engineering

[1]	Premachandra C, Waruna H, Premachandra H, et al.Image Based Automatic Road Surface Crack Detection for Achieving Smooth Driving on Deformed Roads[J].2013 IEEE International Conference on Systems, Man, and Cybernetics, 2013:4018-4023
[2]	Oliveira H, Correia P L.CrackIT-An image processing toolbox for crack detection and characterization[C]//2014 IEEE International Conference on Image Processing.Paris, France.2014:798-802
[3]	Yoo H S, Kim Y S.Development of a Crack Recognition Algorithm from Non-Routed Pavement Images Using Artificial Neural Network and Binary Logistic Regression[J].KSCE Journal of Civil Engineering, 2016, 20(4):1151-1162
[4]	Zou Q, Zhang Z, Li Q Q, et al.DeepCrack:Learning Hierarchical Convolutional Features for Crack Detection[J].IEEE Transactions on Image Processing, 2019, 28(3):1498-1512
[5]	Badrinarayanan V, Kendall A, Cipolla R.SegNet:A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12):2481-2495
[6]	Maeda H, Sekimoto Y, Seto T, et al.Road Damage Detection and Classification Using Deep Neural Networks with Smartphone Images[J].Computer-Aided Civil and Infrastructure Engineering, 2018, 33(12):1127-1141
[7]	Alipour M, Harris D K, Miller G R.Robust Pixel-Level Crack Detection Using Deep Fully Convolutional Neural Networks[J].Journal of Computing in Civil Engineering, 2019, 33(6):4019040
[8]	Nguyen H T, Yu G H, Na S Y, et al.Pavement Crack Detection and Segmentation Based on Deep Neural Network[J].The Journal of Korean Institute of Information Technology, 2019, 17(9):99-112
[9]	Ren S Q, He K M, Girshick R, et al.Faster R-CNN:Towards real-time object detection with region proposal networks[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence.:1137-1149
[10]	Girshick R.Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision.Santiago, Chile.2015:1440-1448
[11]	Girshick R, Donahue J, Darrell T, et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus, OH, USA.2014:580-587
[12]	He K M, Gkioxari G, Dollár P, et al.Mask R-CNN[C]//2017 IEEE International Conference on Computer Vision.Venice, Italy.2017:2980-2988
[13]	Cai Z W, Vasconcelos N.Cascade R-CNN:Delving into High Quality Object Detection[J].2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018:6154-6162

[1]	郭从洲, 李可, 李贺, 童晓冲, 王习文. 遥感图像质量等级分类的深度卷积神经网络方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200292
[2]	赵之若, 王少宇, 王心宇, 钟燕飞. 一种改进的火星车多光谱影像深度新颖目标探测方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20220119
[3]	徐恩恩, 郭颖, 陈尔学, 李增元, 赵磊, 刘清旺. 基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20210001
[4]	李彦胜, 张永军. 耦合知识图谱和深度学习的新一代遥感影像解译范式 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20210652
[5]	林学楷, 许才军. 深度学习驱动的地震目录构建：PhaseNet和EqT模型的对比与评估 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20220197
[6]	季顺平, 罗冲, 刘瑾. 基于深度学习的立体影像密集匹配方法综述 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200620
[7]	陆川伟, 孙群, 赵云鹏, 孙士杰, 马京振, 程绵绵, 李元復. 一种基于条件生成式对抗网络的道路提取方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20190159
[8]	张宇, 江鹏, 郭文飞, 张丹, 韩震. 一种利用两阶段学习模型的水下阵列定位方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20210466
[9]	周于涛, 吴华意, 成洪权, 郑杰, 李学锡. 结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200159
[10]	季顺平, 田思琦, 张驰. 利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20180481
[11]	郭旦怀, 张鸣珂, 贾楠, 王彦棡. 融合深度学习技术的用户兴趣点推荐研究综述 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200334
[12]	鲁鹏杰, 许大璐, 任福, 徐胜华, 邱天奇, 彭瑞. 应急遥感制图中敏感目标自动检测与隐藏方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200131
[13]	巨袁臻, 许强, 金时超, 李为乐, 董秀军, 郭庆华. 使用深度学习方法实现黄土滑坡自动识别 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200132
[14]	徐江河, 张飞舟, 张立福, 邓楚博, 孙雪剑. 一种综合利用图像和光谱信息的物体真假模式识别方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20190139
[15]	潘银, 邵振峰, 程涛, 贺蔚. 利用深度学习模型进行城市内涝影响分析 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20170217
[16]	瞿涛, 邓德祥, 刘慧, 邹炼, 刘弋锋. 多层独立子空间分析时空特征的人体行为识别方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20140581
[17]	樊恒, 徐俊, 邓勇, 向金海. 基于深度学习的人体行为识别 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20140110
[18]	沈照庆, 彭余华, 舒宁. 一种基于SVM的路面影像损伤跨尺度识别方法 . 武汉大学学报 ( 信息科学版),
[19]	赫晓慧, 陈明扬, 李盼乐, 田智慧, 周广胜. 结合DCNN与短距条件随机场的遥感影像道路提取 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20210464
[20]	姜万冬, 席江波, 李振洪, 丁明涛, 杨立功, 谢大帅. 模拟困难样本的Mask R-CNN滑坡分割识别 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200692

点击查看大图

计量

文章访问数: 287
HTML全文浏览量: 45
PDF下载量: 11
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

一种改进型Mask R-CNN模型的路面裂缝识别方法

doi: 10.13203/j.whugis20210279

作者简介:
肖力炀，硕士，主要从事人工智能与深度学习领域的研究。E-mail:liyang_xiao@163.com

Pavement Crack Automatic Identification Method Based on Improved Mask R-CNN Model

计量

一种改进型Mask R-CNN模型的路面裂缝识别方法

doi: 10.13203/j.whugis20210279

1.西安热工研究院有限公司, 陕西西安 710032;

2.长安大学信息工程学院, 陕西西安 710064

作者简介:
肖力炀，硕士，主要从事人工智能与深度学习领域的研究。E-mail:liyang_xiao@163.com

English Abstract

Pavement Crack Automatic Identification Method Based on Improved Mask R-CNN Model

1. Xi'an Thermal Power Research Institute, Xi'an 710032, Shaanxi, China;

2. Chang'an University, School of Information Engineering, Xi'an 710064, Shaanxi, China

全文HTML

目录

留言板

一种改进型Mask R-CNN模型的路面裂缝识别方法

doi: 10.13203/j.whugis20210279

作者简介: 肖力炀，硕士，主要从事人工智能与深度学习领域的研究。E-mail:liyang_xiao@163.com

Pavement Crack Automatic Identification Method Based on Improved Mask R-CNN Model

计量

出版历程

一种改进型Mask R-CNN模型的路面裂缝识别方法

doi: 10.13203/j.whugis20210279

1.西安热工研究院有限公司, 陕西 西安 710032; 2.长安大学 信息工程学院, 陕西 西安 710064

作者简介: 肖力炀，硕士，主要从事人工智能与深度学习领域的研究。E-mail:liyang_xiao@163.com

English Abstract

Pavement Crack Automatic Identification Method Based on Improved Mask R-CNN Model

1. Xi'an Thermal Power Research Institute, Xi'an 710032, Shaanxi, China; 2. Chang'an University, School of Information Engineering, Xi'an 710064, Shaanxi, China

全文HTML

目录

作者简介:
肖力炀，硕士，主要从事人工智能与深度学习领域的研究。E-mail:liyang_xiao@163.com

1.西安热工研究院有限公司, 陕西西安 710032;

2.长安大学信息工程学院, 陕西西安 710064

作者简介:
肖力炀，硕士，主要从事人工智能与深度学习领域的研究。E-mail:liyang_xiao@163.com

1. Xi'an Thermal Power Research Institute, Xi'an 710032, Shaanxi, China;

2. Chang'an University, School of Information Engineering, Xi'an 710064, Shaanxi, China