基于機(jī)器視覺的路面病害檢測技術(shù)對比研究

王 華

(江西九江長江公路大橋有限公司，江西 九江 332000)

1 引 言

公路系統(tǒng)不斷發(fā)展，交通流量顯著增加，同時重載、超載交通等不利因素以及環(huán)境影響導(dǎo)致公路路面出現(xiàn)多種病害，其養(yǎng)護(hù)和管理狀態(tài)直接影響到區(qū)域交通的互聯(lián)互通。針對不同病害需要采取的措施并不統(tǒng)一，因此能夠正確地對路面病害進(jìn)行檢測是路面養(yǎng)護(hù)的前提，而對道路病害進(jìn)行高效檢測是道路養(yǎng)護(hù)質(zhì)量水平的關(guān)鍵。

在深度學(xué)習(xí)框架下，基于端到端的目標(biāo)病害檢測算法能夠更好地實(shí)現(xiàn)對目標(biāo)特征的提取，具備檢測精度高、速度快等特點(diǎn)。Redmon[1]等人提出了YOLO目標(biāo)檢測算法，將生成候選框、通過神經(jīng)網(wǎng)絡(luò)對邊框進(jìn)行分類和回歸兩個步驟合并到一個神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)計(jì)算的復(fù)雜程度大大降低。Du[2]等人提出了一種基于YOLO網(wǎng)絡(luò)的局部病害檢測及分類技術(shù)，對7種病害進(jìn)行識別和分類，準(zhǔn)確率達(dá)到了73.64%。陳旭丹[3]等人采用了YOLO目標(biāo)檢測算法快速識別路面常見病害，并保證了一定準(zhǔn)確率。黎洲[4]等人應(yīng)用YOLOv2算法實(shí)現(xiàn)車載視頻中的車輛檢測，取得97.42%的準(zhǔn)確率，解決了使用以往算法實(shí)時性不足的問題。將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于工業(yè)領(lǐng)域可適當(dāng)較少檢測精度以提高網(wǎng)絡(luò)模型檢測速度，Adarsh[5]等人提出的YOLOv3-Tiny目標(biāo)檢測模型是基于YOLOv3網(wǎng)絡(luò)通過剪枝操作減小結(jié)構(gòu)體量，大大地提高了檢測速度；Huang[6]等人提出的YOLO-Lite模型則注重適用性，實(shí)現(xiàn)了在無GPU的計(jì)算機(jī)上進(jìn)行目標(biāo)檢測；Wong[7]等人提出的YOLO Nano模型在結(jié)構(gòu)體量上相比YOLOv3-Tiny減小了近8.3倍，從而獲得了更快的檢測速度；隨后Wang[8]等人提出了Scaled-YOLOv4模型在保持檢測速度優(yōu)勢的同時提升了一定的檢測精度。

在深度學(xué)習(xí)框架下探究YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)建立病害圖像的識別、提取與分類算法體系，并將YOLOv5與YOLOv3、R-CNN系列的快速區(qū)域神經(jīng)網(wǎng)絡(luò)與掩膜區(qū)域神經(jīng)網(wǎng)絡(luò)在同一個路面病害數(shù)據(jù)集下的訓(xùn)練時間、訓(xùn)練結(jié)果、相關(guān)參數(shù)進(jìn)行分析，評估準(zhǔn)確率、召回率訓(xùn)練指標(biāo)，選擇最優(yōu)的網(wǎng)絡(luò)架構(gòu)更加直觀地反映病害特征。

2 病害檢測網(wǎng)絡(luò)模型

2.1 基于YOLOv5的道路病害檢測模型

YOLOv5的輸入端對圖像進(jìn)行Mosaic數(shù)據(jù)增強(qiáng)，更好適用于小目標(biāo)檢測。YOLOv5改進(jìn)自適應(yīng)圖片縮放功能，使其能夠在調(diào)整圖片大小時添加最少的灰邊，并提高網(wǎng)絡(luò)檢測速度。主干網(wǎng)絡(luò)的主要作用是在不同圖像細(xì)粒度上聚合，形成對應(yīng)圖像特征的卷積神經(jīng)網(wǎng)絡(luò)。YOLOv5增加Focus結(jié)構(gòu)，其原理是將圖像進(jìn)行切片操作，輸入圖像的原始大小為608×608×3、經(jīng)過Focus層后轉(zhuǎn)化成304×304×12、再經(jīng)過一個卷積核大小為32×32的卷積層后轉(zhuǎn)化成304×304×32的特征矩陣。此外YOLOv5將CSP(Cross Stage Paritial Network)模塊插入主干網(wǎng)絡(luò)及瓶頸層中，在不影響檢測效率的同時增強(qiáng)網(wǎng)絡(luò)的特征提取和學(xué)習(xí)能力。YOLOv5算法的結(jié)構(gòu)示意圖如圖1所示。YOLOv5選擇SiLU函數(shù)作為激活函數(shù)，其具體計(jì)算方法如公式(1)所示。

圖1 YOLOv5結(jié)構(gòu)示意圖(以YOLOv5s 例)

SiLU(x)=x/Sigmoid(x)

(1)

YOLOv5的損失函數(shù)由中心坐標(biāo)損失、寬高坐標(biāo)損失、置信度損失與分類損失組成。

2.2 模型訓(xùn)練

本文選取裂縫作為路面病害的典型代表，訓(xùn)練網(wǎng)絡(luò)所用的路面病害數(shù)據(jù)來源于以下公開數(shù)據(jù)集：Crack Forest[9]、Cracktree200、AEL、GAPs384、CFD、Crack 500[10]。初始的樣本圖像共1 509張，其中Crack Forest數(shù)據(jù)集包含118張樣本、Cracktree200數(shù)據(jù)集包含206張樣本、AEL數(shù)據(jù)集包含58張樣本、GAPs384數(shù)據(jù)集包含509張樣本、CFD數(shù)據(jù)集包含118張樣本、Crack500數(shù)據(jù)集包含500張樣本。為了模擬網(wǎng)絡(luò)進(jìn)行多目標(biāo)檢測的效果，將裂縫病害細(xì)分為橫向裂縫、縱向裂縫、網(wǎng)狀裂縫作為3種病害。

路面病害數(shù)據(jù)集中的80%作為訓(xùn)練集、10%作為驗(yàn)證集、10%作為測試集。訓(xùn)練集輸入的圖像數(shù)據(jù)分辨率為1 920×1 080，batchsize設(shè)置為2，學(xué)習(xí)率為0.001，Epoch迭代次數(shù)大小設(shè)定值為25 000，使用學(xué)習(xí)率指數(shù)衰減讓學(xué)習(xí)率隨著學(xué)習(xí)進(jìn)度降低以達(dá)到更好的訓(xùn)練目的。識別模型的構(gòu)建使用pytorch 1.3.1版本在ubuntu18.04上部署建模環(huán)境，并使用i9-9900k和RTX2080ti來進(jìn)行模型的訓(xùn)練和測試。

3 研究成果討論

4種網(wǎng)絡(luò)訓(xùn)練的Loss值變化趨勢如圖2所示，迭代次數(shù)達(dá)到5 000次左右時4種網(wǎng)絡(luò)的Loss值都有較大幅度下降，但YOLO系列網(wǎng)絡(luò)早于另2個網(wǎng)絡(luò)先趨于平穩(wěn)，且趨于平穩(wěn)時的Loss值較另2類網(wǎng)絡(luò)較高，約為0.06，在后續(xù)的迭代過程中波動幅度較大；相反R-CNN系列網(wǎng)絡(luò)的Loss值雖然下降趨勢較緩，但是其趨于穩(wěn)定時的表現(xiàn)更加優(yōu)秀，約為0.03。YOLO系列的輕量化結(jié)構(gòu)使其在梯度下降方面具有優(yōu)勢，可以在較少迭代次數(shù)的情況下獲得較為理想的損失率；而R-CNN中興趣候選框的機(jī)制以及多候選框重復(fù)率高的特點(diǎn)注定其在前期訓(xùn)練的過程中與驗(yàn)證集的偏差較大，需要更多的迭代次數(shù)獲取目標(biāo)的相關(guān)特征并成功收斂回歸。在迭代次數(shù)為12 500次左右時，4種算法的Loss值變化基本穩(wěn)定不變，平均數(shù)值分別為0.05與0.03。雖然存在微小差距，但是由于損失值均小于等于0.05，可以認(rèn)為4種網(wǎng)絡(luò)的訓(xùn)練參數(shù)設(shè)置情況比較合理，目標(biāo)特征的學(xué)習(xí)工作較為成功。

圖2 不同網(wǎng)絡(luò)訓(xùn)練的Loss值變化趨勢

通過在相同情況下對路面病害集中1 207張訓(xùn)練圖像進(jìn)行訓(xùn)練，并使用150張病害圖像對4種網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)效果測試，比較不同網(wǎng)絡(luò)對橫向裂縫、縱向裂縫、網(wǎng)狀裂縫3種常見路面病害的檢測直觀效果、AP值、mAP值、幀率情況。另外也加入了基于傳統(tǒng)機(jī)器學(xué)習(xí)的目標(biāo)檢測算法的典型代表SVM支持向量機(jī)算法進(jìn)行縱向比較。具體的評價指標(biāo)數(shù)值如表1所示。

表1 不同網(wǎng)絡(luò)檢測的評價指標(biāo)數(shù)據(jù)表

圖3 不同網(wǎng)絡(luò)的性能指標(biāo)比較

通過分析可以發(fā)現(xiàn)相較于SVM這樣的基于傳統(tǒng)機(jī)器學(xué)方法，基于深度學(xué)習(xí)的目標(biāo)檢測算法具有巨大的優(yōu)勢：R-CNN系列與YOLO系列網(wǎng)絡(luò)分別相較于它mAP平均提高了22.69%和18.20%，這對于目標(biāo)檢測領(lǐng)域來說是非常巨大的差距，且在多類、數(shù)據(jù)量較小的檢測條件下基于深度學(xué)習(xí)的目標(biāo)檢測算法具有顯著的性能優(yōu)勢。

通過分析，網(wǎng)狀裂縫的檢測相比另兩種裂縫效果較差，經(jīng)過計(jì)算AP平均相差5.31%，主要有兩個原因：一是在路面病害數(shù)據(jù)集中網(wǎng)狀裂縫占比較少，僅有21.47%，雖然有大量的訓(xùn)練迭代次數(shù)作鋪墊，但也可能導(dǎo)致網(wǎng)絡(luò)的特征提取能力不足；二是網(wǎng)狀裂縫病害特征復(fù)雜，很難完全準(zhǔn)確檢測，一旦出現(xiàn)檢測假正例或假反例的情況都會影響最終的AP值。橫向?qū)Ρ萊-CNN系列算法和YOLO系列算法的檢測表現(xiàn)，不難看出兩種算法具備各自的優(yōu)勢：R-CNN系列算法側(cè)重于高mAP值和優(yōu)秀的檢測表現(xiàn)，mAP相比YOLO系列算法平均提高了3.80%；而YOLO系列算法憑借其輕量化的優(yōu)勢，減少了一定比例的檢測精度，而在幀率表現(xiàn)上遠(yuǎn)超前者，平均提高了193.57%。

4 結(jié) 論

本文詳盡分析了YOLO、R-CNN等網(wǎng)絡(luò)的具體結(jié)構(gòu)、優(yōu)化措施、損失函數(shù)等，使用4種算法對典型路面病害數(shù)據(jù)集進(jìn)行了訓(xùn)練、驗(yàn)證、測試工作。研究成果表明，與基于傳統(tǒng)機(jī)器學(xué)習(xí)的目標(biāo)檢測方法作對比，深度學(xué)習(xí)在多類、低數(shù)據(jù)量檢測情景下體現(xiàn)了顯著精度與效率優(yōu)勢。實(shí)際應(yīng)用中，R-CNN算法具備較好的檢測表現(xiàn)，mAP相比YOLO系列算法平均提高了3.80%；YOLO算法在檢測效率上顯著高于R-CNN算法，平均提高了193.57%。