改進(jìn)RetinaNet的水泥路面露骨病害檢測(cè)①

石 麗,裴莉莉,陳 昊,李 偉,袁 博,馮笑然

(長安大學(xué) 信息工程學(xué)院,西安 710064)

根據(jù)我國2013-2030年的交通發(fā)展規(guī)劃,未來公路的規(guī)模為550 萬～600 萬公里.其中,在460 萬～520萬公里鄉(xiāng)村公路中,水泥混凝土路面占比達(dá)到84%～87%.露骨為水泥混凝土路面的常見病害,路面出現(xiàn)露骨病害不僅會(huì)影響行車的安全性,繼續(xù)擴(kuò)展還會(huì)形成坑槽,嚴(yán)重影響路面的使用年限.盡早對(duì)露骨病害檢測(cè)并加以養(yǎng)護(hù),可以延長路面的使用壽命,降低路面維護(hù)成本.目前露骨病害檢測(cè)主要依靠人工識(shí)別,這種方法不僅耗費(fèi)大量人力物力,而且檢測(cè)結(jié)果受主觀判斷影響,容易發(fā)生誤檢漏檢的情況.因此,如何快速自動(dòng)化檢測(cè)路面露骨病害已經(jīng)成為亟待解決的問題.

隨著深度學(xué)習(xí)的廣泛應(yīng)用,目標(biāo)檢測(cè)方法已經(jīng)成為卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域的熱點(diǎn)話題[1,2].基于卷積神經(jīng)網(wǎng)絡(luò)的方法主要包括兩大類:一類是one-stage 一階段目標(biāo)檢測(cè)方法,此方法將整個(gè)目標(biāo)檢測(cè)過程融合成一個(gè)端到端的任務(wù),只對(duì)圖像進(jìn)行一次處理即可得到目標(biāo)的類別和位置信息,其典型的算法有SSD[3]、YOLOv3[4]、FSSD[5]等;另一類是基于候選區(qū)域的two-stage 二階段目標(biāo)檢測(cè)方法,此方法將生成候選框和候選框分類回歸分成2 個(gè)階段,首先在圖像上生成若干可能包含目標(biāo)的候選框,其次使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選框進(jìn)行特征提取,最后使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)區(qū)域進(jìn)行分類和回歸,其典型的算法有Fast R-CNN[6]、Faster RCNN[7]、SPP-Net[8]、Mask R-CNN[9]等.與二階段目標(biāo)檢測(cè)算法相比,一階段目標(biāo)檢測(cè)算法效率更高,但是在特征提取過程中,容易產(chǎn)生大量負(fù)樣本,導(dǎo)致在訓(xùn)練時(shí)正負(fù)樣本失衡,準(zhǔn)確率和定位精度較低.Lin 等[10]提出的RetinaNet 模型利用Focal Loss 函數(shù)解決樣本失衡的問題,在COCO 測(cè)試集上其檢測(cè)精度高于當(dāng)時(shí)最先進(jìn)的二階段檢測(cè)算法.譚章祿等[11]利用RetinaNet 模型在煤礦監(jiān)控中實(shí)現(xiàn)自動(dòng)檢測(cè)及提取人員信息,整體性能滿足煤礦監(jiān)控的需求.Zhang 等[12]引入Octave 卷積和加權(quán)特征金字塔結(jié)構(gòu)以提高RetinaNet 對(duì)車輛的檢測(cè)性能,結(jié)果證明該方法對(duì)不同場(chǎng)景、不同規(guī)模的車輛目標(biāo)具有良好的檢測(cè)結(jié)果.姚青等[13]選擇組歸一化作為RetinaNet 的歸一化方法,改進(jìn)特征金字塔網(wǎng)絡(luò)結(jié)構(gòu),改進(jìn)后的模型對(duì)稻縱卷葉螟和二化螟為害狀區(qū)域的平均檢測(cè)精度為 93.76%.吳華運(yùn)等[14]對(duì)RetinaNet特征金字塔網(wǎng)絡(luò)的特征融合過程進(jìn)行優(yōu)化,增加語義特征提取模塊,在特征提取網(wǎng)絡(luò)ResNet 網(wǎng)絡(luò)中添加了膨脹卷積瓶頸模塊,對(duì)醫(yī)藥空瓶表面氣泡缺陷檢測(cè)的準(zhǔn)確率為99.72%.張濤等[15]在RetinaNet 模型基礎(chǔ)上,建立用來融合深層特征的HFF 模塊和融合淺層特征LFF 模塊,在PASCAL VOC 和MSCOCO 數(shù)據(jù)集上較原模型精度有提升.鄧小桐等[16]針對(duì)迷彩偽裝人員目標(biāo)特性,將空間注意力和通道注意力機(jī)制嵌入到RetinaNet 網(wǎng)絡(luò)結(jié)構(gòu)中,并設(shè)計(jì)基于定位置信信息的檢測(cè)框過濾算法,比原模型檢測(cè)精度提升了8.7 個(gè)百分點(diǎn),達(dá)到93.1%.

針對(duì)目前缺少關(guān)于水泥路面露骨病害檢測(cè)方法以及人工檢測(cè)費(fèi)時(shí)、費(fèi)力和檢測(cè)精度不高的問題,本文以RetinaNet 為基礎(chǔ),以SE-ResNet101 作為特征提取網(wǎng)絡(luò)、對(duì)特征金字塔結(jié)構(gòu)進(jìn)行改進(jìn),提出一種改進(jìn)的RetinaNet 模型,實(shí)現(xiàn)對(duì)水泥路面露骨病害的準(zhǔn)確且快速地識(shí)別.

1 改進(jìn)的RetinaNet 模型

1.1 RetinaNet

RetinaNet 是Lin 等在2018年提出的一階段目標(biāo)檢測(cè)器,其結(jié)構(gòu)如圖1所示.RetinaNet 主要由3 部分構(gòu)成:如圖1(a)為特征提取網(wǎng)絡(luò),實(shí)現(xiàn)對(duì)圖像的特征提取操作,目前應(yīng)用較廣泛的特征提取網(wǎng)絡(luò)有殘差網(wǎng)絡(luò)ResNet[17]、VGG-Net[18]、GoogleNet[19]等;如圖1(b)為特征金字塔網(wǎng)絡(luò)(feature pyramid networks,FPN)[20],其將特征提取網(wǎng)絡(luò)提取的特征圖進(jìn)行重新組合,形成具有各種尺度的相同維度特征,實(shí)現(xiàn)特征的精細(xì)化提取;如圖1(c)和圖1(d)表示用來分類和定位的分類和回歸子網(wǎng)絡(luò)(fully convolutional networks,FCN)[21],分類子網(wǎng)絡(luò)用于卷積對(duì)象分類,回歸子網(wǎng)絡(luò)用于卷積邊界框回歸.

圖1 改進(jìn)的RetinaNet 結(jié)構(gòu)圖

1.1.1 特征提取網(wǎng)絡(luò)

隨著神經(jīng)網(wǎng)絡(luò)深度的增加,特征的提取抽象程度就越高,理論上也就能產(chǎn)生更好的擬合效果.但是,隨之會(huì)出現(xiàn)梯度彌散、梯度爆炸、學(xué)習(xí)率下降等問題.為解決此問題,He 等[17]提出ResNet 殘差網(wǎng)絡(luò),如圖2為ResNet 的殘差單元.H(x)=F(x)+x表示最優(yōu)解映射,其中x為輸入,F(x)為殘差映射.其采用快捷連接跨越的思想,使用等值映射方式,跳過中間層,直接將一部分原始數(shù)據(jù)直接輸出傳到下一層.此結(jié)構(gòu)不會(huì)增加網(wǎng)絡(luò)參數(shù),對(duì)網(wǎng)絡(luò)計(jì)算的復(fù)雜度也不會(huì)有影響,有效的解決網(wǎng)絡(luò)的梯度爆炸、梯度彌散的問題.

圖2 殘差網(wǎng)絡(luò)結(jié)構(gòu)圖

1.1.2 特征金字塔網(wǎng)絡(luò)(FPN)

如圖1(b)為特征金字塔網(wǎng)絡(luò),在RetinaNet 模型中,特征金字塔網(wǎng)絡(luò)使得高層語義特征和低層位置特征相結(jié)合,增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力.對(duì)ResNet101 特征提取網(wǎng)絡(luò)輸出的特征圖C2～C5 進(jìn)行上采樣和橫向連接操作,產(chǎn)生特征融合后的特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)P3～P5.具體操作方法為首先對(duì)C5 使用步長為1 的1×1 卷積核卷積得P5;其次對(duì)C4 使用步長為1 的1×1 卷積核卷積,并相加對(duì)P5 進(jìn)行兩倍上采樣結(jié)果;最后對(duì)上一步操作得到的特征圖使用步長為1 的3×3 卷積核卷積得到P4.以此類推,得到P3.

1.1.3 分類回歸子網(wǎng)絡(luò)與損失函數(shù)

RetinaNet 網(wǎng)絡(luò)借鑒RPN(region proposal network)中的Anchor 的思想:當(dāng)卷積核滑動(dòng)到特征圖某位置時(shí),滑動(dòng)窗口的中心點(diǎn)映射到原圖上形成一個(gè)映射點(diǎn),此映射點(diǎn)對(duì)應(yīng)一個(gè)尺度和縱橫比,成為一個(gè)Anchor.本文在Anchor 生成時(shí)使用了3 種不同尺寸和3 種不同縱橫比{1:2,1:1,2:1},即可產(chǎn)生9 種 Anchor.如圖1(c)和圖1(d)為分類和回歸子網(wǎng)絡(luò),對(duì)生成的所有Anchor 進(jìn)行分類和回歸.

分類子網(wǎng)絡(luò)為每個(gè)Anchor 預(yù)測(cè)露骨病害的概率.將特征金字塔中某一層特征圖與激勵(lì)函數(shù)為ReLU 的全卷積網(wǎng)絡(luò)相連接,使用Sigmoid 函數(shù)預(yù)測(cè)水泥路面露骨病害的概率.在分類子網(wǎng)絡(luò)中,檢測(cè)器一般通過交叉熵?fù)p失函數(shù)(CE loss)判定預(yù)測(cè)值與真實(shí)值的差異程度.目前普遍應(yīng)用的CE loss 如式(1)所示:

其中,y為聚焦參數(shù);pt的定義如式(2):

在進(jìn)行露骨病害檢測(cè)時(shí),由于受路面車道線和陰影的影響,出現(xiàn)了類不平衡和難易實(shí)例的檢測(cè)問題.本文在CE loss 的基礎(chǔ)上,為解決中正負(fù)樣本區(qū)域嚴(yán)重失衡的問題,將正負(fù)樣本增加權(quán)重因子α,降低負(fù)樣本的權(quán)重,增加正樣本權(quán)重,加權(quán)CE loss 的定義如式(3);為解決難易樣本區(qū)域失衡的問題,增加調(diào)制系數(shù)(1-pt),減少易檢測(cè)的樣本權(quán)重,使得模型在訓(xùn)練時(shí)更加專注難檢測(cè)的樣本,尺度動(dòng)態(tài)可調(diào)損失函數(shù)Focal Loss 定義式(4).

其中,β為聚集參數(shù),且β ≥0,αt定義如式(5):

回歸子網(wǎng)絡(luò)與分類子結(jié)構(gòu)相類似.在回歸子網(wǎng)絡(luò)中,RetinaNet 使用了SmoothL1 損失函數(shù).假定p代表預(yù)測(cè)區(qū)域與Anchor 之間的變換關(guān)系,t代表真實(shí)區(qū)域與Anchor 之間的變換關(guān)系;則表示第i個(gè)預(yù)測(cè)區(qū)域與Anchor 之間的偏差,t第i個(gè)真實(shí)區(qū)域與Anchor 之間的偏差;表示區(qū)域中心點(diǎn)的坐標(biāo);(w,h)表示區(qū)域的寬和高.為第j類缺陷的真實(shí)區(qū)域,為第i個(gè)預(yù)測(cè)區(qū)域和Anchor.

定義SmoothL1 如式(7):

1.2 改進(jìn)的RetinaNet

為了更準(zhǔn)確的獲得水泥路面露骨病害的原始圖像特征,本文使用ResNet101 作為特征提取網(wǎng)絡(luò).由于路面病害的破損程度不同,檢測(cè)圖像中的目標(biāo)尺寸有差異,為擴(kuò)大感受野,在FPN 特征金字塔上做了改進(jìn).并借鑒了SE Net 的設(shè)計(jì)思想,對(duì)殘差網(wǎng)絡(luò)進(jìn)行改進(jìn).

1.2.1 ResNet101

本文采用深度殘差網(wǎng)絡(luò)ResNet101 作為特征提取網(wǎng)絡(luò),其結(jié)構(gòu)如圖3所示.整個(gè)網(wǎng)絡(luò)包含101 個(gè)卷積層,其中每個(gè)括號(hào)內(nèi)的結(jié)構(gòu)代表一個(gè)結(jié)構(gòu)塊,每個(gè)結(jié)構(gòu)塊中包含3 層卷積.在Conv2 中3×3,maxpool,stride2 代表卷積核為3×3,步長為2 的最大池化操作,1×1,64 代表卷積核大小為1×1,輸出通道為64 的卷積操作,其余與之同理.

圖3 ResNet101 網(wǎng)絡(luò)結(jié)構(gòu)

1.2.2 改進(jìn)的FPN

在RetinaNet 模型中,FPN 通過自底向上、自頂向下、橫向連接等多種方式將ResNet 不同層的特征圖進(jìn)行融合,對(duì)小目標(biāo)具有較好的檢測(cè)效果.本試驗(yàn)的數(shù)據(jù)集中,露骨病害目標(biāo)所占比例較大.為了使模型有利于大目標(biāo)圖像的檢測(cè),對(duì)本試驗(yàn)?zāi)繕?biāo)有更好的檢測(cè)效果,選擇進(jìn)一步增大模型的感受野,具體操作為:在圖1(b)P5 的基礎(chǔ)上,使用步長為2 的3×3 的卷積核卷積運(yùn)算得到P6、P7,提升感受野的同時(shí),進(jìn)一步對(duì)訓(xùn)練目標(biāo)信息進(jìn)行抽象,獲取更高維度的特征信息.將更大感受野且更高維度信息整合后送入網(wǎng)絡(luò),同時(shí)計(jì)算class subnet 和box subnet 的損失值,進(jìn)行反向梯度更新,從而更加準(zhǔn)確的進(jìn)行下一階段的特征提取操作,提升整體檢測(cè)性能.

1.2.3 基于SE-ResNet101 的特征提取網(wǎng)絡(luò)

圖4 為SE-ResNet101 模塊內(nèi)部結(jié)構(gòu),SE-ResNet101由ResNet101 模塊和SE Net 模塊兩部分構(gòu)成.SE Net(squeeze-and-excitation networks)[22]是基于加權(quán)特征圖思想提出的一種網(wǎng)絡(luò)結(jié)構(gòu),在殘差網(wǎng)絡(luò)ResNet101 中嵌入SE,促使神經(jīng)網(wǎng)絡(luò)更有針對(duì)性地提取目標(biāo)特征,以提高對(duì)目標(biāo)的特征表達(dá)能力,從而提升對(duì)露骨病害的聚焦.

圖4 SE-ResNet101 模塊內(nèi)部結(jié)構(gòu)

SE Net 結(jié)構(gòu)由壓縮 Squeeze 和激勵(lì)Excitation 兩個(gè)部分組成.具體流程為:首先 Squeeze 操作將C×W×H的特征圖通過全局平均池化壓縮,可得到1×1×C的全局信息描述符.其次通過兩個(gè)全連接層進(jìn)行Excitation操作從而預(yù)測(cè)每個(gè)channel 的重要性.第一個(gè)全連接層輸入為1×1×C,輸出1×1×C/r,r為縮放參數(shù);第二個(gè)全連接輸入為1×1×C/r,輸出為1×1×C.然后使用Sigmoid 激活函數(shù)輸出一個(gè)原輸入特征圖各層權(quán)值的向量.最后Scale 操作將輸出向量與原輸入特征圖相乘,得到加權(quán)特征圖,來增強(qiáng)有效特征,削弱低效或無效特征,提取具有更強(qiáng)指向性的特征,從而提高檢測(cè)結(jié)果.

不同通道的特征進(jìn)行一定的相乘相加運(yùn)算,使得加入注意力模塊的網(wǎng)絡(luò)學(xué)習(xí)到更多有用的圖像信息,也避免了網(wǎng)絡(luò)學(xué)習(xí)不感興趣區(qū)域的資源浪費(fèi),增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)重點(diǎn)能力,改善學(xué)習(xí)效率.

2 基于改進(jìn)的RetinaNet 模型的路面露骨病害目標(biāo)檢測(cè)

2.1 數(shù)據(jù)集構(gòu)建

本文所使用的水泥路面露骨病害圖像數(shù)據(jù)集由人工手機(jī)拍攝及車載運(yùn)動(dòng)相機(jī)拍攝,采集區(qū)域主要是在中國陜西省西安市長安大學(xué)及其附近.最終拍攝數(shù)據(jù)集圖像共506 幅.部分露骨病害采集樣本如圖5所示.

圖5 部分水泥路面露骨病害圖像

由圖5 可以看出,由于露骨病害圖像源自不同拍攝設(shè)備、不同路段,因此圖像背景十分復(fù)雜且樣本數(shù)據(jù)集較少.基于上述情況,本文對(duì)數(shù)據(jù)集進(jìn)行處理以提升其質(zhì)量.首先為解決樣本數(shù)據(jù)集數(shù)量不足的問題,本文采取鏡像、旋轉(zhuǎn)和調(diào)節(jié)像素等多種方式對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增廣,最終樣本的數(shù)量為1 523.其次,為了盡可能減小背景及路況對(duì)檢測(cè)的影響,需要對(duì)樣本數(shù)據(jù)集進(jìn)行預(yù)處理工作,具體流程圖如圖6所示.最后,使用LabelImg軟件對(duì)數(shù)據(jù)集圖像中的露骨病害目標(biāo)進(jìn)行標(biāo)記,每個(gè)露骨病害目標(biāo)對(duì)應(yīng)于數(shù)據(jù)樣本中位置注釋的XML 文件.

圖6 露骨病害圖像預(yù)處理流程圖

2.2 數(shù)據(jù)集構(gòu)建

本實(shí)驗(yàn)的操作系統(tǒng)為Ubuntu 14.04 操作系統(tǒng).具體的實(shí)驗(yàn)環(huán)境如表1所示.

表1 實(shí)驗(yàn)環(huán)境

從本文自制的1 523 個(gè)數(shù)據(jù)集中,選出90% 即1 370 幅露骨病害樣本進(jìn)行訓(xùn)練,其余10%即153 幅露骨病害樣本進(jìn)行測(cè)試.在分類訓(xùn)練集和測(cè)試集時(shí),將圖像按照復(fù)雜度(陰影、車道線及其他異物)均勻地分給訓(xùn)練集和測(cè)試集以保證實(shí)驗(yàn)的有效性.模型訓(xùn)練過程中的參數(shù)設(shè)置如表2所示.

表2 RetinaNet 模型訓(xùn)練參數(shù)

2.3 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

本文采用準(zhǔn)確率Precision、召回率Recall和檢測(cè)精度AP對(duì)水泥路面露骨病害檢測(cè)的效果進(jìn)行評(píng)價(jià),其計(jì)算公式如下:

式中,Precision準(zhǔn)確率表示正確檢測(cè)為露骨病害目標(biāo)在全部檢測(cè)為露骨病害目標(biāo)結(jié)果中的占比,其值越大說明誤檢的目標(biāo)越少;Recall表示檢測(cè)正確的露骨病害目標(biāo)在所有露骨病害目標(biāo)的占比,其值越大說明漏檢目標(biāo)越少;TP表示正確檢測(cè)露骨病害目標(biāo)數(shù)量,FP表示誤檢為露骨病害目標(biāo)的數(shù)量,TN表示正確檢測(cè)非露骨病害目標(biāo)數(shù)量,FN表示漏檢的露骨病害目標(biāo)數(shù)量.PR 曲線是以Precision作為縱坐標(biāo),Recall作為橫坐標(biāo),繪制的二維曲線,PR 曲線與坐標(biāo)軸所圍成的面積為平均準(zhǔn)確率(average precision,AP)值.AP值用來分析模型檢測(cè)效果,衡量目標(biāo)的檢測(cè)精度.AP值越大,說明其檢測(cè)精度越高.

2.4 實(shí)驗(yàn)結(jié)果對(duì)比與分析

2.4.1 模型改進(jìn)前后結(jié)果對(duì)比

為了驗(yàn)證本文方法改進(jìn)后的RetinaNet 對(duì)水泥路面露骨病害檢測(cè)的有效性,分別對(duì)RetinaNet 和改進(jìn)后的RetinaNet 在測(cè)試集上的檢測(cè)結(jié)果進(jìn)行比較.混淆矩陣如表3.由表4 可知,在檢測(cè)精度方面,改進(jìn)后的Retina-Net 比原RetinaNet的AP 提升4.9%;在檢測(cè)速度方面,改進(jìn)后的模型單張速度了僅增加了1.8 ms.利用Python語言中的Matplotlib庫繪制PR 曲線如圖7,可見改進(jìn)后的模型整體性能得到了提升,漏檢率進(jìn)一步的降低.

圖7 RetinaNet 改進(jìn)前后的PR 曲線圖

表3 二分類混淆矩陣

表4 模型改進(jìn)前后檢測(cè)結(jié)果

圖8 為RetinaNet 改進(jìn)前后目標(biāo)檢測(cè)算法對(duì)水泥里面露骨病害的識(shí)別效果的對(duì)比,可以看出改進(jìn)后RetinaNet 算法相較于原算法有更好的檢測(cè)效果.

圖8 RetinaNet 改進(jìn)前后目標(biāo)檢測(cè)算法識(shí)別效果

根據(jù)改進(jìn)后的RetinaNet 輸出結(jié)果與露骨圖像實(shí)際標(biāo)簽,得到混淆矩陣,如表5所示.

表5 露骨病害混淆矩陣

圖9 比較了使用CE loss 和Focal loss 的訓(xùn)練損失曲線,從圖9 中可以看出,在50 輪的訓(xùn)練過程中,本文使用的Focal loss 函數(shù)相對(duì)于CE loss 使得改進(jìn)后的RetinaNet 收斂速率更快.在模型訓(xùn)練后期,采用Focal loss 在訓(xùn)練集上的損失值均低于CE loss.

圖9 使用CE loss 和Focal loss 的losS曲線對(duì)比圖

2.4.2 不同目標(biāo)檢測(cè)模型檢測(cè)效果對(duì)比

為了進(jìn)一步驗(yàn)證本文改進(jìn)的RetinaNet 模型對(duì)于水泥路面露骨病害檢測(cè)的有效性,將本文模型與目前主流的目標(biāo)檢測(cè)模型Faster R-CNN、SSD 以及YOLOv3對(duì)水泥路面露骨病害測(cè)試集進(jìn)行檢測(cè)對(duì)比,實(shí)驗(yàn)結(jié)果如圖10所示.由圖10 可以看出,本文提出的改進(jìn)RetinaNet 模型相比于二階目標(biāo)檢測(cè)模型Faster RCNN,單副檢測(cè)速度減少105.8 ms,AP 增加4.1%;相比于二階目標(biāo)檢測(cè)模型SSD 和YOLOv3,雖然檢測(cè)速度略有增加,但檢測(cè)精度增加6.4%和5.2%.綜合上述分析,本文提出的模型是一個(gè)對(duì)水泥路面露骨病害有效的檢測(cè)模型.

圖10 不同模型檢測(cè)效果對(duì)比

3 結(jié)論

本文以水泥路面露骨病害為研究對(duì)象,基于改進(jìn)的RetinaNet 網(wǎng)絡(luò)對(duì)露骨病害自動(dòng)化檢測(cè)問題展開研究,主要結(jié)論如下:

(1)采集路面露骨病害的圖像,并進(jìn)行灰度化、濾波去噪、圖像增強(qiáng)等預(yù)處理操作,構(gòu)建水泥路面露骨病害數(shù)據(jù)集;

(2)在RetinaNet 模型的基礎(chǔ)上,利用SE Net 的思想對(duì)特征提取網(wǎng)絡(luò)ResNet101 進(jìn)行改進(jìn),增強(qiáng)特征圖的特征表達(dá)能力;增加特征金字塔的層數(shù),充分?jǐn)U大目標(biāo)的感受野完成對(duì)路面露骨病害圖像的檢測(cè);

(3)通過與Faster R-CNN、SSD 和YOLOv3 對(duì)比,發(fā)現(xiàn)改進(jìn)后的RetinaNet 模型對(duì)露骨病害的檢測(cè)精度有顯著提升,達(dá)到98.9%.實(shí)現(xiàn)對(duì)露骨病害的準(zhǔn)確檢測(cè),能夠替代繁瑣、效率低的人工檢測(cè)方法.

本文提出的RetinaNet 改進(jìn)模型對(duì)水泥路面露骨病害自動(dòng)化檢測(cè)領(lǐng)域具有重要意義.但改進(jìn)后的Retina-Net 模型相比于原模型單幅露骨病害檢測(cè)時(shí)間增加1.8 ms,因此在保證識(shí)別精度的同時(shí)提升網(wǎng)絡(luò)檢測(cè)速度是之后研究工作的重點(diǎn).