file-type

改进U-net模型提升路面裂缝智能自动识别效率与精度

PDF文件

下载需积分: 0 | 2.02MB | 更新于2024-08-05 | 156 浏览量 | 2 下载量 举报 收藏
download 立即下载
本文探讨了"基于改进U-Net模型的路面裂缝智能识别"这一主题,针对道路养护中的关键问题——路面裂缝快速检测。传统的裂缝检测方法效率低下且准确性不高,为此,研究者提出了一种创新的方法,即利用深度学习中的U-Net模型进行改进。U-Net是一种广泛应用于图像分割任务的卷积神经网络结构,特别适合处理像路面裂缝这样需要高精度定位的任务。 作者团队,由陈泽斌、罗文婷和李林组成,来自福建农林大学交通与土木工程学院,他们开发了一款半自动标注软件,结合Canny边缘检测和Otsu阈值分割算法,以提升路面裂缝的像素级标注效率。研究以2D激光图像作为数据集基础,通过数据增强技术扩大样本库,增强模型的训练效果,使得模型能够更好地理解和处理不同场景下的路面裂缝图像。 实验过程中,采用了交叉熵损失函数来评估模型预测结果与真实标签的差异,并借助Adam优化算法对模型进行调优,以提高识别精度和泛化性能。结果显示,改进后的U-Net模型在识别路面裂缝方面表现出色,相较于原始U-Net模型和全连接神经网络模型有显著优势。这项研究成果对于道路养护管理部门来说具有重要意义,能够支持他们快速检测路面病害,及时采取措施确保行车安全,提高公路维护效率。 关键词包括U-Net、人工智能、2D激光图像、路面裂缝和数据增强,表明了本研究的核心技术和应用领域。这篇论文为智能化的道路养护提供了关键技术支持,有望推动行业的进步。

相关推荐