典型文献
基于深度学习的公路路面病害检测算法
文献摘要：
针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法.以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network,PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss,AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本.实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34％,每张图像的平均检测时间为0.071 s.与快速基于区域的卷积神经网络(faster region-based convolutional neural networks,Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求.
文献关键词：
公路路面病害检测;YOLOv4;可变形卷积;特征融合;AP-loss
中图分类号：
作者姓名：
罗晖;余俊英;涂所成
作者机构：
华东交通大学信息工程学院,南昌330013
文献出处：
引用格式：
[1]罗晖;余俊英;涂所成-.基于深度学习的公路路面病害检测算法)[J].科学技术与工程,2022(13):5299-5305
A类：
公路路面病害检测
B类：
检测算法,路面病害图像,背景干扰,尺度差异,YOLOv4,测网,可变形卷积,路径聚合网络,path,aggregation,PANet,自适应空间特征融合,细节特征,不同尺度,尺度特征,特征信息,高效融合,平均准确率,average,precision,loss,AP,损失函数,训练过程,每张,检测时间,faster,region,convolutional,neural,networks,Faster,高检,检测准确率,运算时间,性需求
AB值：
0.290689
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。
