典型文献
面向路面裂缝识别的深度语义分割方法
文献摘要：
裂缝是路面缺陷类型之一,会影响道路的安全和质量,因此识别此类缺陷是公路养护的重要一环.而现在养护信息的获取方式主要靠车载移动设备采集,针对其获取的数据具有场景复杂性、提取裂缝需要具有实时性的特点,采用基于py-torch+deeplabV3+的深度学习模型.通过对Crack500数据集进行格式标准化,再进行训练,可以在道路上得到一个很好的裂缝提取效果,这样不仅可以自动化地在像素级标出裂缝的位置,还可以标注出裂缝的形态,同时可以满足公路裂缝采集车对裂缝的提取要求,为公路养护提供一定支撑和参考价值.
文献关键词：
路面裂缝;语义分割;DeepLabV3+
中图分类号：
作者姓名：
肖义;孔玉霞;兰俊;韩新雨;王琪;潘星瑚
作者机构：
辽宁科技学院 资源与土木工程学院,辽宁 本溪117004
文献出处：
引用格式：
[1]肖义;孔玉霞;兰俊;韩新雨;王琪;潘星瑚-.面向路面裂缝识别的深度语义分割方法)[J].辽宁科技学院学报,2022(06):9-11,21
A类：
torch+deeplabV3+,Crack500
B类：
路面裂缝,裂缝识别,语义分割,分割方法,路面缺陷,缺陷类型,公路养护,车载,移动设备,py,深度学习模型,上得,提取效果,像素级,标出,公路裂缝,采集车,DeepLabV3+
AB值：
0.408292
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
