陳 昕，王 曦,2，黃晶晶，楊 碩，陳佳雯

基于YOLOv3的農(nóng)村公路路面病害自動(dòng)識(shí)別研究

陳 昕1，王 曦1,2，黃晶晶3，楊 碩1，陳佳雯1

（1.遼寧工業(yè)大學(xué) 汽車與交通工程學(xué)院，遼寧 錦州 121001；2.長(zhǎng)城汽車股份有限公司，河北 保定 071000；3.遼寧工業(yè)大學(xué) 實(shí)業(yè)總公司，遼寧 錦州 121001）

對(duì)農(nóng)村公路路面病害進(jìn)行自動(dòng)識(shí)別研究，為農(nóng)村公路路面病害識(shí)別工作節(jié)省時(shí)間、人力和財(cái)力，提高識(shí)別效率。以農(nóng)村公路路面病害普查圖片作為數(shù)據(jù)集，提出農(nóng)村公路路面病害自動(dòng)識(shí)別架構(gòu)，運(yùn)用改進(jìn)后的YOLOv3算法，采用darknet-53網(wǎng)絡(luò)框架，對(duì)農(nóng)村公路路面病害圖片進(jìn)行標(biāo)注，之后依次進(jìn)行樣本處理、特征值提取、錨框選擇、損失計(jì)算及病害定位，訓(xùn)練得到損失值逐漸降低的農(nóng)村公路路面病害特征權(quán)重值，運(yùn)用訓(xùn)練得到的路面病害特征權(quán)重值對(duì)測(cè)試集中的圖片進(jìn)行識(shí)別。識(shí)別結(jié)果表明，YOLOv3算法病害自動(dòng)識(shí)別能夠把圖片中的病害識(shí)別出來(lái)，可用于農(nóng)村公路路面病害識(shí)別工作中。

農(nóng)村公路；路面病害；YOLOv3算法；自動(dòng)識(shí)別

農(nóng)村公路上存在著裂縫、坑槽和沉陷等各種病害，對(duì)道路的承載力、運(yùn)輸能力、行車安全等有很大的影響。路面病害識(shí)別是道路養(yǎng)護(hù)管理的先決條件，目前，國(guó)內(nèi)識(shí)別路面病害主要方法是人工識(shí)別。檢測(cè)人員到現(xiàn)場(chǎng)，對(duì)路面的破損位置及面積進(jìn)行測(cè)量，記錄，之后對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，歸類，存檔，作為路面病害評(píng)判的依據(jù)。人工方法，檢測(cè)周期長(zhǎng)、工作強(qiáng)度大、準(zhǔn)確程度低，已無(wú)法適應(yīng)我國(guó)公路養(yǎng)護(hù)的發(fā)展要求。鄭明[1]對(duì)衡陽(yáng)地區(qū)農(nóng)村公路病害分析，并從路面結(jié)構(gòu)方面進(jìn)行優(yōu)化研究。許慧青等[2]基于卷積神經(jīng)網(wǎng)絡(luò)，研究細(xì)長(zhǎng)路面病害檢測(cè)方法。唐咸燕[3]基于卷積神經(jīng)網(wǎng)絡(luò)圖片識(shí)別，對(duì)路面病害智能識(shí)別和養(yǎng)護(hù)管理系統(tǒng)應(yīng)用進(jìn)行研究。高海鵬[4]對(duì)農(nóng)村公路水泥混凝土路面的常見病害分析進(jìn)行分析，并提出病害防治措施。及時(shí)對(duì)路面的病害進(jìn)行檢測(cè)識(shí)別，可以延長(zhǎng)道路使用年限，提高行車安全性，降低每年道路養(yǎng)護(hù)的費(fèi)用。因此，進(jìn)行道路路面病害的自動(dòng)檢測(cè)識(shí)別研究極其重要。

1 自動(dòng)識(shí)別總體架構(gòu)

本文采用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)中改進(jìn)后的YOLOv3(you only look once vesion 3)算法，對(duì)農(nóng)村公路路面圖片進(jìn)行自動(dòng)識(shí)別，篩選出病害區(qū)域。自動(dòng)識(shí)別結(jié)構(gòu)如圖1所示。

圖1 農(nóng)村公路路面病害自動(dòng)識(shí)別結(jié)構(gòu)

農(nóng)村公路路面病害自動(dòng)識(shí)別對(duì)農(nóng)村公路路面病害圖片讀取后，需要進(jìn)行中值濾波，病害標(biāo)注后，進(jìn)行YOLOv3病害自動(dòng)識(shí)別，運(yùn)用改進(jìn)后的YOLOv3算法，進(jìn)行訓(xùn)練得到路面病害特征權(quán)重值，使用路面病害特征權(quán)重值，對(duì)測(cè)試集進(jìn)行準(zhǔn)確率檢測(cè)，當(dāng)準(zhǔn)確率較低時(shí)，在現(xiàn)已訓(xùn)練得到的病害特征權(quán)重值基礎(chǔ)上，繼續(xù)通過(guò)訓(xùn)練集對(duì)病害特征權(quán)重值進(jìn)行訓(xùn)練，重復(fù)循環(huán)上述步驟，直到改進(jìn)后的YOLOv3算法訓(xùn)練損失降到標(biāo)準(zhǔn)之下，重新通過(guò)測(cè)試集進(jìn)行準(zhǔn)確率檢測(cè)，重復(fù)上述步驟，直到準(zhǔn)確率達(dá)到標(biāo)準(zhǔn)。YOLOv3算法是單階段算法，直接圖像進(jìn)行運(yùn)算，省略了候選框的提取，運(yùn)行速度快。YOLOv3形成3類anchor，可以分別對(duì)大中小3類目標(biāo)進(jìn)行檢測(cè)，具有很強(qiáng)的適用性。

2 農(nóng)村公路路面病害自動(dòng)識(shí)別

2.1 讀取路面病害數(shù)據(jù)集

路面病害數(shù)據(jù)集來(lái)源于湖南省農(nóng)村公路路況全面普查項(xiàng)目采集的農(nóng)村公路路面病害普查圖片，對(duì)數(shù)據(jù)集中所有圖片按農(nóng)村公路技術(shù)狀況評(píng)定方法中的路面技術(shù)評(píng)定(PQI)區(qū)分出病害路面，數(shù)據(jù)集共1 000張圖片，將數(shù)據(jù)集用留出法以7∶3劃分為訓(xùn)練集與測(cè)試集。

2.2 病害圖像中值濾波

病害圖像的病害是圖像中的局部，中值濾波是一種非線性的局部平滑技術(shù)，中值濾波在運(yùn)算過(guò)程中不需要圖像的統(tǒng)計(jì)特性，使用方便。在一定條件下，能克服線性濾波器的圖像細(xì)節(jié)模糊，能夠有效濾除脈沖干擾及顆粒噪聲?；诓『D像特點(diǎn)和中值濾波的特點(diǎn)，本文對(duì)病害圖像采用中值濾波，中值濾波是采用一個(gè)滑動(dòng)窗口，含有奇數(shù)個(gè)點(diǎn)，用窗口中各點(diǎn)灰度值的中值，替代窗口中心像素的灰度值。中值濾波效果的關(guān)鍵要素：領(lǐng)域的空間范圍和中值計(jì)算中涉及的像素?cái)?shù)。本文采用3×3窗口，濾波后病害圖像更為清晰。

2.3 病害標(biāo)注

病害圖像目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練前，需要將數(shù)據(jù)集中有病害的路面框定標(biāo)記。本文使用LabelImg圖像標(biāo)記軟件，在原有尺寸的圖像上，對(duì)路面病害進(jìn)行目標(biāo)位置標(biāo)記，標(biāo)簽為abnormal，并生成標(biāo)簽文件來(lái)保存標(biāo)注的信息。

2.4 YOLOv3算法病害自動(dòng)識(shí)別

本文基于YOLOv3算法，采用darknet-53網(wǎng)絡(luò)框架，網(wǎng)絡(luò)主要是由1×1和3×3的卷積層組成，網(wǎng)絡(luò)中有53個(gè)卷積層[5]。通過(guò)深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)中改進(jìn)后的YOLOv3算法，對(duì)農(nóng)村公路路面病害標(biāo)注后，圖片依次進(jìn)行樣本處理、特征值提取、錨框選擇、損失計(jì)算及病害定位，訓(xùn)練路面病害特征權(quán)重值，得到損失值逐漸降低的特征權(quán)重值，對(duì)測(cè)試集中的圖片進(jìn)行識(shí)別，自動(dòng)篩選出病害路面圖片，算法步驟如下。

Step1：樣本處理，將打標(biāo)文件（.xml）格式處理為（.txt）格式。

Step2：特征提取，通過(guò)聚類算法進(jìn)行boundingbox選取，運(yùn)用darknet-53卷積神經(jīng)網(wǎng)絡(luò)框架進(jìn)行特征值提取。

Step3：錨框選擇，將錨框尺寸分為3類9種，分別為3大、3中、3小，對(duì)不同的路面病害區(qū)域進(jìn)行框定。

Step4：損失計(jì)算，計(jì)算錨框損失與置信度損失之和，訓(xùn)練模型，得到損失值逐漸降低的農(nóng)村公路路面病害特征權(quán)重值。

Step5：病害定位，對(duì)路面病害區(qū)域準(zhǔn)確定位并可視化病害框定區(qū)域。

3 識(shí)別結(jié)果分析

不同病害準(zhǔn)確識(shí)別率的病害路面識(shí)別如圖2～圖4所示。

圖2 病害準(zhǔn)確識(shí)別率98.0%病害路面識(shí)別

圖3 病害準(zhǔn)確識(shí)別率97.0%、99.0%病害路面識(shí)別

圖4 病害準(zhǔn)確識(shí)別率71.0%、86.0%、93.0%、95.0%病害路面識(shí)別

圖中b'abnormal是打標(biāo)時(shí)候設(shè)置的標(biāo)簽，指的是病害部分，數(shù)字是病害準(zhǔn)確識(shí)別率。分析識(shí)別結(jié)果可知，YOLOv3算法病害自動(dòng)識(shí)別能夠把圖片中的病害識(shí)別出來(lái)，而且病害越嚴(yán)重，準(zhǔn)確識(shí)別率越高，如圖4中，不同嚴(yán)重病害區(qū)域，病害準(zhǔn)確識(shí)別率71.0%、86.0%、93.0%、95.0%。

對(duì)測(cè)試集300張圖片進(jìn)行路面病害自動(dòng)識(shí)別，識(shí)別用時(shí)為0.92 s，病害準(zhǔn)確識(shí)別率平均值為91.3%。人工查看路面病害圖片，熟練工作人員識(shí)別1次至少需要2 s，還需要框定病害位置，人工識(shí)別所用時(shí)間至少為900 s，人眼疲勞，人工誤差存在，人工識(shí)別準(zhǔn)確識(shí)別率為92.0%。YOLOv3路面病害自動(dòng)識(shí)別，識(shí)別用時(shí)少，識(shí)別準(zhǔn)確率略低于人工識(shí)別率，自動(dòng)識(shí)別效率高，如表1所示。

表1 測(cè)試集自動(dòng)識(shí)別與人工識(shí)別對(duì)比分析

4 結(jié)束語(yǔ)

本文運(yùn)用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)中改進(jìn)后的YOLOv3算法對(duì)農(nóng)村公路路面病害進(jìn)行自動(dòng)識(shí)別，依據(jù)該模型實(shí)現(xiàn)病害的自動(dòng)識(shí)別，提高效率，降低成本。相比于人工檢測(cè)，病害自動(dòng)識(shí)別，可以實(shí)現(xiàn)對(duì)路面病害自動(dòng)準(zhǔn)確的識(shí)別，且識(shí)別效率高，節(jié)約勞動(dòng)力，是未來(lái)路面病害識(shí)別的發(fā)展趨勢(shì)。

[1] 鄭明. 衡陽(yáng)地區(qū)農(nóng)村公路病害分析及路面結(jié)構(gòu)優(yōu)化研究[D]. 衡陽(yáng): 南華大學(xué), 2015.

[2] 許慧青, 陳斌, 王敬飛, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)長(zhǎng)路面病害檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用, 2022, 42(1): 265-272.

[3] 唐咸燕. 路面病害智能識(shí)別和養(yǎng)護(hù)管理系統(tǒng)應(yīng)用[J]. 交通與運(yùn)輸, 2021, 37(5): 39-43.

[4] 高海鵬. 農(nóng)村公路水泥混凝土路面的常見病害分析及防治[J]. 水泥與混凝土生產(chǎn), 2021, (4): 23-24.

[5] 太陽(yáng)花的小綠豆. YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)分析[Z/OL]. https://blog.csdn.net/qq_37541097/article/details/8121495.

Research on Automatic Identification of Rural Highway Pavement Diseases Based on YOLOv3

CHEN Xin1, WANG Xi1,2, HUANG Jing-jing3, YANG Shuo1, CHEN Jia-wen1

（1.School of Automobile and Traffic Engineering, Liaoning University of Technology, Jinzhou 121001, China;2. Great Wall Motor Co., LTD., Baoding 071000, China;3. Industrial Corporation, Liaoning University of Technology, Jinzhou 121001, China）

Based on the improved Yolov3 algorithm in the deep learning convolutional neural network, the automatic identification of rural highway pavement diseases is researched. It can save a lot of time, manpower and financial resources and improve the identification efficiency for rural pavement disease identification. Based on the survey pictures of rural highway pavement diseases as the data set, an automatic recognition framework for rural highway pavement diseases was proposed. The improved YOLOv3 algorithm and darknet-53 network framework were used to label the rural highway pavement diseases pictures, and then sample processing, feature value extraction, anchor frame selection, loss calculation and disease location were carried out in sequence. The characteristic weight value of rural pavement disease with gradually decreasing loss value is obtained by training. The characteristic weight value of road disease obtained by training is used to identify the pictures in the test set. The recognition results show that the YOLOv3 algorithm can identify the diseases in the pictures, and can be used in rural road pavement disease recognition.

rural highway; pavement disease; YOLOv3 algorithm; automatic identification

10.15916/j.issn1674-3261.2023.05.003

U16

A

1674-3261(2023)05-0293-03

2021-11-02

遼寧省先進(jìn)裝備制造業(yè)基地建設(shè)工程中心項(xiàng)目(LNZC2023-0041-1)；遼寧工業(yè)大學(xué)教學(xué)改革研究項(xiàng)目(xjg2022014)

陳昕(1972-)，女，遼寧鐵嶺人，教授，博士。

責(zé)任編輯：陳 明