典型文献
基于深度学习的沥青路面病害图像智能识别方法研究
文献摘要：
针对现有沥青路面病害人工检测效率低、影响交通、安全风险大等特点,研究基于深度学习的沥青路面病害图像智能识别方法.通过对不同类型沥青路面病害整体目标区域及特殊样貌特征分别进行标记,对图像进行归一化及数据集扩充等一系列处理,以达到增强目标特征的目的.将细分的11类致灾因子作为神经网络的输入变量,通过模糊推理逻辑创建致灾因子与沥青路面病害等级的映射关系.预先处理神经网络的输入数据和后置处理神经网络的输出数据,结合引入至神经网络中的模糊推理逻辑,建立沥青路面病害综合评价模型.通过AlexNet网络识别出病害类型,并判断其危险度等级.以滇藏公路标号K170路段实际沥青路面病害为例,评判其横向裂缝危险度等级为重度,与实际情况相符,表明该沥青路面病害图像智能识别方法协同模糊神经网络综合评价模型可有效识别沥青路面病害类型并评价沥青路面病害的危险度等级.
文献关键词：
深度学习;图像识别;图像处理;路面病害;模糊神经网络
中图分类号：
[2]
交通运输（U）
/
公路运输（U4）
/
道路工程（U41）
/
路基、路面工程（U416）
/
路面工程（U416.2）
/
路面：按使用材料分（U416.21）
/
沥青路面（U416.217）
作者姓名：
李岩;徐信芯;李世豪;叶敏
作者机构：
长安大学公路养护装备国家工程实验室 西安 710064;河南省高远公路养护技术有限公司 新乡 453000
文献出处：
引用格式：
[1]李岩;徐信芯;李世豪;叶敏-.基于深度学习的沥青路面病害图像智能识别方法研究)[J].交通科技,2022(01):11-16
A类：
滇藏公路,K170
B类：
沥青路面病害,路面病害图像,图像智能识别,智能识别方法,害人,检测效率,整体目标,目标区域,样貌,数据集扩充,列处理,目标特征,致灾因子,模糊推理,病害等级,映射关系,输入数据,后置处理,综合评价模型,AlexNet,病害类型,危险度,路标,标号,路段,横向裂缝,方法协同,模糊神经网络,网络综合,图像识别
AB值：
0.22159
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。
