基于改進(jìn)SegNet 的瀝青路面病害提取與分類方法*

張志華 鄧硯學(xué) 張新秀

（1.蘭州交通大學(xué)測繪與地理信息學(xué)院 蘭州 730070；2.蘭州交通大學(xué)地理國情監(jiān)測技術(shù)應(yīng)用國家地方聯(lián)合工程研究中心 蘭州 730070；3.甘肅省地理國情監(jiān)測工程實(shí)驗(yàn)室 蘭州 730070；4.甘肅省公路路網(wǎng)檢測重點(diǎn)實(shí)驗(yàn)室 蘭州 730070）

0 引 言

裂縫和灌封裂縫作為瀝青路面最主要的2類病害，其檢測結(jié)果為路面養(yǎng)護(hù)管理決策提供可靠的技術(shù)支持。

現(xiàn)階段，大多數(shù)瀝青路面病害檢測方法通過道路檢測車快速采集路面圖像，運(yùn)用基于圖像視覺的路面病害檢測方法，如自適應(yīng)閾值分割法、邊緣檢測法、形態(tài)法、小波分析等算法[1]，實(shí)現(xiàn)瀝青路面病害提取。道路檢測車采集的圖像包含各種道路場景、車道線、油漬、不同的光照背景和其他污漬?；陂撝捣ǜ倪M(jìn)的路面病害檢測方法只能處理特定類型的病害圖像[2]，易受光照條件的影響[3-4]，效率較低[5-6]。Hu等[7]開發(fā)了基于簡化局部二值模式子集的裂縫提取器，假設(shè)該子集可以使用邊緣、角點(diǎn)和平面區(qū)域信息提取路面裂縫，但忽略了背景紋理的復(fù)雜性。Zalama 等[8]使用Gabor 濾波器提取的視覺特征進(jìn)行裂縫檢測，為了克服參數(shù)選擇困難的問題，使用Ada-Boosting 組合多組弱分類器進(jìn)行特征提取，并取得較好的結(jié)果。Shi 等[9]提出CrackForest，它將隨機(jī)森林結(jié)構(gòu)應(yīng)用于裂縫檢測，用統(tǒng)計(jì)特征直方圖和統(tǒng)計(jì)鄰域直方圖之間的分布差異區(qū)分真實(shí)裂縫和噪聲。但是CrackForest無法去除連接到真實(shí)裂縫區(qū)域的噪聲。Nejad等[10]開發(fā)了1個(gè)基于小波理論的路面破損檢測專家系統(tǒng)。這些方法無法準(zhǔn)確地將裂縫像素從復(fù)雜的背景紋理中分離出來，因?yàn)闊o法捕獲足夠的全局結(jié)構(gòu)信息[9]。

得益于深度學(xué)習(xí)強(qiáng)大的非線性擬合能力和高效的圖像處理能力，基于深度學(xué)習(xí)的路面病害檢測方法提高了檢測效率。Cha 等[11]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）和滑動窗口技術(shù)識別裂縫，驗(yàn)證精度和測試速度均有明顯提升。Dorafshan等[12]結(jié)合CNN和邊緣檢測識別裂縫圖像，識別效率高于邊緣檢測方法。沙愛民等[13]使用3 個(gè)CNN模型級聯(lián)檢測路面裂縫和坑槽，檢測效果優(yōu)于傳統(tǒng)的圖像處理方法。Zhang 等[14]設(shè)計(jì)了1 個(gè)6 層CNN，用于檢測利用手機(jī)采集的裂縫數(shù)據(jù)集。盡管圖像質(zhì)量高、噪音低、易于處理，但與實(shí)際情況相去甚遠(yuǎn)，參考價(jià)值不大；此外，網(wǎng)絡(luò)體系結(jié)構(gòu)的泛化能力較弱，難以處理包含真實(shí)路面的不同數(shù)據(jù)集。以上基于CNN的路面病害檢測方法效率較好，但檢測結(jié)果包含病害目標(biāo)、回歸框和背景，不能精確提取病害目標(biāo)。而基于深度學(xué)習(xí)的圖像語義分割能夠更精確地提取病害的幾何尺寸信息。全卷積網(wǎng)絡(luò)（fully convolutional network，F(xiàn)CN）[15]被運(yùn)用于圖像語義分割，即對圖像中不同對象進(jìn)行語義信息標(biāo)注，將圖像分割成和語義相關(guān)的不同圖像區(qū)域，包括背景和離散對象[16]。基于概率自動編碼器[17]改進(jìn)的編解碼器網(wǎng)絡(luò)（encoder-decoder network）[18]，其編碼器通過卷積與池化操作，提取圖像數(shù)據(jù)特征，生成高度抽象特征圖；解碼器通過反卷積與卷積操作恢復(fù)空間分辨率特征，逐步恢復(fù)為與原始數(shù)據(jù)相同維度的特征圖。SegNet[19]是語義分割中最經(jīng)典的編解碼網(wǎng)絡(luò)結(jié)構(gòu)，對作為編碼器的VGG16 進(jìn)行改進(jìn)，保留VGG16前13 層，刪除全連接層。在解碼器中，通過池化索引和上采樣運(yùn)算，網(wǎng)絡(luò)最終輸出的特征圖尺寸與輸入圖像一致。SegNet對路面街景圖像的分割效果較好，但對細(xì)小病害的分割能力較弱。U-Net[20]是基于SegNet 改進(jìn)的U 型編解碼結(jié)構(gòu)，應(yīng)用于分割遙感圖像和生物醫(yī)學(xué)圖像。與SegNet 相比，U-Net 在解碼器中拼接了不同網(wǎng)絡(luò)層提取的特征圖，獲取了特征信息更豐富的特征圖，由于其中的裁剪等操作導(dǎo)致輸出圖像的尺寸與輸入圖像不一致。Yu等[21]使用雙邊分割網(wǎng)絡(luò)（bilateral segmentation network，BiSeNet），同時(shí)提高實(shí)時(shí)語義分割的精度和速度。BiSeNet 由空間路徑、上下文路徑和特征融合模塊組成，空間路徑提取空間信息并生成特征圖；上下文路徑由主干網(wǎng)和注意力模塊組成；提取紋理特征；特征融合模塊融合2 個(gè)部分特征。Bang 等[22]提出編碼器網(wǎng)絡(luò)由ResNet[23]組成，解碼器網(wǎng)絡(luò)由ZFNet[24]和反卷積層組成的編解碼網(wǎng)絡(luò)，檢測由黑盒相機(jī)拍攝的街景圖像裂縫，但由于街景圖像包含各類復(fù)雜物體且裂縫尺寸小，誤檢率較高。

綜上分析，路面病害提取存在以下問題：①強(qiáng)度不均勻性和亮度不均勻性使得圖像總體質(zhì)量較差；②復(fù)雜的路面紋理在不同尺度下差異較大，大多數(shù)分割方法都難以取得較好的分割結(jié)果；③SegNet 對灌封裂縫的分割效果優(yōu)于裂縫，難以分割具有相似特征的灌封裂縫和裂縫，提取的裂縫不完整。為此，研究基于改進(jìn)SegNet的瀝青路面病害提取方法，采用標(biāo)線去除+MSRCR 方法增強(qiáng)圖像對比度；實(shí)驗(yàn)選擇ResNet50 和空洞卷積層組成編解碼網(wǎng)絡(luò)；針對裂縫分割不連續(xù)的問題，運(yùn)用形態(tài)學(xué)方法連接裂縫，實(shí)現(xiàn)對路面病害的精確提取。

1 瀝青路面裂縫及灌封裂縫提取方法

瀝青路面病害提取流程見圖1。提取方法主要由圖像預(yù)處理、數(shù)據(jù)集構(gòu)建、語義分割和形態(tài)學(xué)閉運(yùn)算4 個(gè)部分組成。圖像預(yù)處理包括標(biāo)線去除，圖像對比度調(diào)整；數(shù)據(jù)集構(gòu)建包括圖像裁剪和樣本擴(kuò)增；語義分割包含SegNet改進(jìn)及參數(shù)調(diào)整；形態(tài)學(xué)閉運(yùn)算去除假陽性，連通不連續(xù)的裂縫。

圖1 裂縫和灌封裂縫提取流程Fig.1 The workflow of extraction crack and sealed crack

1.1 圖像預(yù)處理

實(shí)驗(yàn)中的圖像由安裝在道路檢測車上、距離路面約1 m 的相機(jī)拍攝獲得，分辨率為1 688×1 874。這些圖像包含各種道路場景、車道線、油漬、不同的光照條件和其他污漬，導(dǎo)致所采集圖像的對比度、色調(diào)和亮度差異較大。實(shí)驗(yàn)的研究目標(biāo)為裂縫（crack）：橫向裂縫和縱向裂縫；灌封裂縫（sealed crack）：人工使用瀝青混合料對橫向裂縫和縱向裂縫進(jìn)行灌封后形成的病害。如圖2（a）所示，路面標(biāo)線和光照不均勻均能降低圖像對比度，而改善對比度能夠提高病害的檢測精度。Wang 等[25]針對Retinex算法，提出了1 種GPU 加速的數(shù)據(jù)并行算法來改善圖像質(zhì)量。侯越等[26]利用卷積自編碼重構(gòu)圖像，擴(kuò)增數(shù)據(jù)集。Rizzi等[27]運(yùn)用自動色彩均衡調(diào)整圖像的對比度，降低漏檢率。圖2（b）和圖2（c）分別是帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法（multi-scale retinex with color restoration，MSRCR）和色彩自動均衡算法的處理結(jié)果；圖2（d）是運(yùn)用卷積自編碼算法對分辨率為256×256 的496 幅圖像迭代訓(xùn)練1 000 次后，算法的圖像重構(gòu)結(jié)果。MSRCR的性能優(yōu)于另外2種方法，但由于路面圖像中道路標(biāo)線的亮度遠(yuǎn)高于標(biāo)線四周路面，上述3 種方法均存在圖2 中的問題，即箭頭處像素值與病害像素值相似，以及病害不清晰，這會導(dǎo)致裂縫誤檢和漏檢。利用白色道路標(biāo)線形狀有規(guī)則、整體像素值遠(yuǎn)大于其周圍路面的特點(diǎn)，取標(biāo)線四周4個(gè)點(diǎn)（不在標(biāo)線內(nèi)）的像素值均值逐一填充標(biāo)線。在此基礎(chǔ)上利用MSRCR 方法可以消除標(biāo)線和光照對圖像質(zhì)量的影響，圖像效果見圖2（e），病害清晰，圖像質(zhì)量最好。

圖2 圖像增強(qiáng)處理效果Fig.2 The results of image enhancement processing

1.2 構(gòu)建數(shù)據(jù)集

卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)中，樣本尺寸越大，提取的信息就愈多，但相應(yīng)地對計(jì)算機(jī)的計(jì)算能力要求越高，模型訓(xùn)練、預(yù)測時(shí)間就越長。路面檢測車所采集圖像的尺寸為1 688×1 874，選擇經(jīng)標(biāo)線去除+MSRCR處理后的1 031 幅圖像，使用labelme 標(biāo)注工具進(jìn)行精確標(biāo)注。受限于計(jì)算機(jī)的計(jì)算能力，將每幅圖像裁剪為9幅512×512尺寸的圖像，挑選出裂縫或者灌封裂縫面積占圖像面積比例較大的1 485 幅圖像。為了豐富樣本容量，將其上下、左右翻轉(zhuǎn)及旋轉(zhuǎn)180o后得到5 940幅圖像，見圖3。數(shù)據(jù)集的構(gòu)成見表1。

圖3 樣本擴(kuò)增Fig.3 Sample amplification

表1 數(shù)據(jù)集構(gòu)成Tab.1 Dataset composition

1.3 遷移學(xué)習(xí)

與隨機(jī)初始化CNN初始權(quán)重不同，遷移學(xué)習(xí)使用已訓(xùn)練模型的權(quán)重參數(shù)作為新模型的初始權(quán)重，有效減少模型對數(shù)據(jù)的需求。同時(shí)，基于遷移學(xué)習(xí)的訓(xùn)練方法顯著地節(jié)省了訓(xùn)練時(shí)間[28]。遷移學(xué)習(xí)已被成功引入到路面病害檢測算法。文獻(xiàn)[29-30]結(jié)合數(shù)據(jù)驅(qū)動、遷移學(xué)習(xí)和深度卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)自動檢測路面病害。Hang等[31]提出由基于張量投票的曲線檢測、遷移學(xué)習(xí)和分塊閾值組成的路面裂縫和灌封裂縫檢測方法，解決了裂縫和灌封裂縫易混淆的問題。Chen等[32]使用基于SegNet的集成方法，檢測混凝土路面、瀝青路面和橋面裂縫。

遷移學(xué)習(xí)中選擇恰當(dāng)?shù)念A(yù)訓(xùn)練權(quán)重參數(shù)顯得尤為重要。網(wǎng)絡(luò)框架、訓(xùn)練樣本（訓(xùn)練域）和預(yù)訓(xùn)練權(quán)重所采用的樣本（原域）均需要仔細(xì)考慮。不同的網(wǎng)絡(luò)框架所獲的預(yù)訓(xùn)練權(quán)重的結(jié)構(gòu)不同。而原域與訓(xùn)練域之間需要考慮相似度和樣本容量的問題。此處的相似度是訓(xùn)練域和原域的相似樣本量，樣本容量指的是原域的樣本容量。樣本容量越大，相似度越高，則訓(xùn)練時(shí)間越少，獲取的模型其預(yù)測精度越高，反之亦然。因此，在預(yù)訓(xùn)練權(quán)重的選擇考慮相似度的同時(shí)，還需考慮樣本容量。當(dāng)樣本容量足夠大，但相似度很小甚至為零，那么預(yù)訓(xùn)練權(quán)重的引入對減少模型的訓(xùn)練時(shí)間和提高預(yù)測精度沒有明顯改善。

1.4 編解碼器網(wǎng)絡(luò)

FCN 解碼時(shí)用反卷積操作來獲得特征圖，再和對應(yīng)編碼器的特征圖融合，得到輸出特征。SegNet結(jié)構(gòu)見圖4，在編碼器部分的最大池化操作時(shí)記錄了最大值索引，在解碼器部分通過對應(yīng)的池化索引實(shí)現(xiàn)非線性上采樣，得到1個(gè)稀疏特征圖，再通過卷積得到稠密特征圖。重復(fù)上采樣，最后用激活函數(shù)得到one-hot 分類結(jié)果。

圖4 SegNet網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 SegNet network structure

SegNet網(wǎng)絡(luò)用以識別路面裂縫時(shí)存在一般裂縫分割不連續(xù)、細(xì)微裂縫易漏檢、具有相似特征的裂縫和灌封裂縫的誤檢率較高的問題。這是由以下2個(gè)原因所導(dǎo)致：①SegNet 網(wǎng)絡(luò)中連續(xù)的卷積和最大池化操作會丟失大量的特征信息；②路面裂縫病害本身的尺寸較小。因此，減少特征信息的損失并充分利用圖像的上下文信息是SegNet 網(wǎng)絡(luò)提高對病害識別精度的關(guān)鍵。實(shí)驗(yàn)對SegNet 網(wǎng)絡(luò)進(jìn)行3 點(diǎn)改進(jìn)：①引入ResNet網(wǎng)絡(luò)作為編碼器。ResNet網(wǎng)絡(luò)只含有1 個(gè)池化層，且上個(gè)卷積層提取的信息會加入到下1個(gè)卷積層中。相比于VGG網(wǎng)絡(luò)的多個(gè)卷積和最大池化操作，ResNet 網(wǎng)絡(luò)減少了特征信息的丟失。②實(shí)驗(yàn)在ResNet 網(wǎng)絡(luò)中設(shè)計(jì)4 個(gè)空洞卷積層，空洞率分別為4，8，12，16?？斩淳矸e層在不增加參數(shù)的同時(shí)增大了感受野，從而獲得更多的特征信息。每個(gè)空洞卷積層的空洞率是根據(jù)其對應(yīng)的特征圖確定的，空洞率過大或者過小都不合適。③實(shí)驗(yàn)運(yùn)用卷積核為1×1的卷積層對下采樣過程中獲取的特征圖進(jìn)行提取，并用跳躍連接方式將其拼接到上采樣對應(yīng)尺度的特征圖，跳躍連接能夠充分利用圖像的上下文特征信息。具體步驟如下。

網(wǎng)絡(luò)輸入層的圖像分辨率為512×512×3，分別代表寬度、長度和通道數(shù)。編碼器網(wǎng)絡(luò)最終輸出特征圖的寬度、高度和卷積核數(shù)量為16×16×2 048。圖5 左側(cè)為ResNet50 的結(jié)構(gòu)示意圖。在解碼器中，如圖5 右側(cè)所示，特征圖F1：32×32×3 由2 條路徑共同產(chǎn)生：①用卷積核為1×1 的卷積層對編碼器所輸出的特征圖進(jìn)行卷積，得到特征圖16×16×3；②用空洞率為4、卷積核為3×3的卷積層，對編碼器提取的32×32×3的特征圖進(jìn)行卷積，得到特征圖16×16×3。將2條路徑獲得的特征圖融合后進(jìn)行2 倍上采樣，得到F1。特征圖F2：64×64×3 由3 條路徑共同產(chǎn)生：①F1；②用空洞率為8、卷積核為3×3的卷積層，對編碼器提取的64×64×3的特征圖進(jìn)行卷積，得到第2組特征圖；③用卷積核為1×1 的卷積層對32×32×3 特征圖進(jìn)行卷積，得到第3組特征圖。將3組特征圖融合并進(jìn)行2倍上采樣，得到F2。特征圖F3：128×128×3由3 條路徑共同產(chǎn)生：①F2；②用空洞率為12、卷積核為3×3 的卷積層，對編碼器提取的128×128×3 的特征圖進(jìn)行卷積，得到第2組特征圖；③用卷積核為1×1的卷積層對64×64×3特征圖進(jìn)行卷積，得到第3組特征圖。將3組特征圖融合并進(jìn)行2倍上采樣，得到F3；F4：256×256×3 的獲得過程與F3 相似。相比SegNet的上采樣+直接池化索引，上述操作能避免因池化操作引起的特征減少問題。同時(shí)，不同空洞率的空洞卷積層增加了感受野，提取不同尺度的特征，融合后的特征圖充分利用了病害圖像的上下文信息，包含更多細(xì)微病害的特征。

圖5 改進(jìn)的編解碼網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Improved encoder-decoder network structure

對F4 進(jìn)行2 倍上采樣，并通過SoftMax 層生成特征圖，其分辨率為512×512×3，代表其寬度、高度和類別數(shù)。SoftMax 函數(shù)的值確定單個(gè)像素屬于特定類別的概率，解碼器網(wǎng)絡(luò)選擇具有最大概率值的類作為預(yù)測類。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境為windows10，anaconda 4.9.2，tensorflow-gpu 1.15.4，顯卡為微星Tesla T4，運(yùn)行內(nèi)存為16 GB。

2.2 評價(jià)指標(biāo)

衡量圖像語義分割方法性能的指標(biāo)包括準(zhǔn)確度、運(yùn)行時(shí)間和內(nèi)存占用[33]，隨著計(jì)算機(jī)硬件及其計(jì)算性能的提高，準(zhǔn)確度顯得更總要。因此主要采用MIoU和F1。MIoU可以理解為各類像素的預(yù)測區(qū)域和真實(shí)區(qū)域交并比的平均值，能夠反映出分割目標(biāo)和真實(shí)目標(biāo)的重合度。F1 是統(tǒng)計(jì)學(xué)中用來衡量分類模型精確度的1 種指標(biāo)，它同時(shí)兼顧了分類模型的精確率（Precision）和召回率（Recall）。MIoU和F1的計(jì)算見式（1）～（2）。

式中：pii為分割正確的數(shù)量；pij為本屬于i類但預(yù)測為j類的像素?cái)?shù)量；pji為本屬于j類但預(yù)測為i類的像素?cái)?shù)量；K為圖像數(shù)量。

式中：TP為真陽性，實(shí)際為正樣例預(yù)測為正樣例；FP為假陽性，實(shí)際為負(fù)樣例預(yù)測為正樣例；FN為假陰性，實(shí)際為正樣例預(yù)測為負(fù)樣例；TN為真陰性，實(shí)際為負(fù)樣例預(yù)測為負(fù)樣例。TP+FP表示預(yù)測為正樣例的總數(shù)，TP+FN表示實(shí)際的正樣例總數(shù)。

2.3 訓(xùn)練方法

為了使與CNN參數(shù)相關(guān)的代價(jià)函數(shù)值最小，采用隨機(jī)梯度優(yōu)化方法訓(xùn)練模型。以交叉熵作為損失函數(shù)，判定實(shí)際輸出與期望輸出的相似程度，見式（3）。

式中：J(θ)為代價(jià)函數(shù)；pi為第i個(gè)像素的目標(biāo)值；qi為第i個(gè)像素的預(yù)測值；m為圖像中像素的總數(shù)。

同時(shí)采用適應(yīng)性距估計(jì)（adaptive moment estimation，Adam）優(yōu)化算法，Adam 優(yōu)化器的計(jì)算見式（4）。

式中：t為迭代指數(shù)，設(shè)為200；θ為網(wǎng)絡(luò)參數(shù)；mt和vt分別為一階動量項(xiàng)和二階動量項(xiàng)；β1和β2為動力值大小，分別取0.90 和0.995；m′t和v′t分別為mt和vt的無偏值；θt表示t時(shí)刻即第t迭代模型的參數(shù)；?θJ(θ)為t次迭代代價(jià)函數(shù)關(guān)于θ的梯度大小；ε為1個(gè)取值很小的數(shù)，取10-8，η為學(xué)習(xí)率，取0.001。

以上為Adam 優(yōu)化器的網(wǎng)絡(luò)參數(shù)，與其他優(yōu)化器相比，Adam具備計(jì)算高效、梯度下降平滑、適應(yīng)不穩(wěn)定的目標(biāo)函數(shù)和參數(shù)調(diào)整相對簡單的優(yōu)點(diǎn)，同時(shí)避免了局部最小化問題。學(xué)習(xí)率使用多項(xiàng)式衰減策略，權(quán)重衰減使用L2 正則化，衰減系數(shù)設(shè)置為0.000 01。

2.4 結(jié)果與分析

實(shí)驗(yàn)使用訓(xùn)練集訓(xùn)練SegNet 模型，并對其進(jìn)行測試，結(jié)果見圖6（b）。燕尾箭頭所示的裂縫被分割成灌封裂縫，部分裂縫分割不連續(xù)。實(shí)線箭頭所指的假陽性有2 類：①斑點(diǎn)狀病害。路面檢測車在不同條件下拍攝的圖像，質(zhì)量差異較大。路面光照條件良好、勻速行駛等條件下所拍攝的圖像質(zhì)量較好。路面光照條件較差、隧道、非勻速行駛等條件下拍攝的圖像質(zhì)量較差。此外，道路標(biāo)線同樣影響圖像對比度。由圖2 和圖6（a）可見：雖然標(biāo)線去除+MSRCR方法提高圖像整體對比度，但部分非病害的像素值變得與病害的像素值相同，被預(yù)測為病害。②標(biāo)線裂縫，不屬于路面病害類型。文中只去除嚴(yán)重影響圖像對比度的明亮標(biāo)線，沒有去除不明顯且不影響圖像質(zhì)量的破損標(biāo)線，破損標(biāo)線伴隨著標(biāo)線裂縫。虛線箭頭所指為分割不完整的裂縫。

實(shí)驗(yàn)對改進(jìn)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試，測試結(jié)果與SegNet相比，改進(jìn)網(wǎng)絡(luò)對細(xì)微裂縫的漏檢率和對特征相似的裂縫和灌封裂縫的誤檢率均得以改善，少量裂縫的分割結(jié)果不連續(xù)。部分裂縫的尺寸較小，尤其是毫米級的細(xì)微裂縫，因路面紋理復(fù)雜，其輪廓不連續(xù)，致其分割結(jié)果不連續(xù)。在實(shí)際工作中，將上下或左右相鄰且間隔較小的2 條裂縫視為同1條裂縫。因此，先將裂縫膨脹運(yùn)算，將不連續(xù)的裂縫連通，再腐蝕運(yùn)算，恢復(fù)裂縫原尺寸，確保裂縫的分割精度。圖6（c）為最終的輸出結(jié)果。

圖6 實(shí)驗(yàn)結(jié)果Fig.6 Experiment results

為比較提出方法的檢測性能，將其與語義分割中典型的編解碼網(wǎng)絡(luò)BiSeNet 和SegNet 進(jìn)行對比。在相同數(shù)據(jù)集上，圖7 顯示3 種方法訓(xùn)練過程中MIoU和Loss的變化情況。提出方法的初始MIoU為59.1%，這是因?yàn)槭褂肦esNet50 的權(quán)重參數(shù)初始化編碼器。隨著訓(xùn)練次數(shù)增加到200 次，改進(jìn)方法的MIoU漸增至84.8%，Loss減小至0.009。

圖7 比較3種方法的MIoU 和LossFig.7 Comparing the MIoU and Loss of three methods

圖8顯示3種方法分割結(jié)果：SegNet分割效果較差，難以分割具有相似特征的裂縫和灌封裂縫,細(xì)微裂縫分割效果差，假陽性較多；BiSeNet 的分割效果一般，預(yù)測結(jié)果中的假陽性較少，但病害輪廓缺失嚴(yán)重，裂縫分割不完整；改進(jìn)方法對裂縫和灌封裂縫的分割結(jié)果與原圖中的病害輪廓一致，裂縫分割完整。

圖8 對比3種方法的分割結(jié)果Fig.8 Comparision segmentation results of three metholds

改進(jìn)算法在測試集中的測試性能見表2，檢測性能優(yōu)于BiSeNet和SegNet。

表2 對比3 種方法的平均測試結(jié)果Tab.2 Comparision the average testing results of three metholds

為了測試改進(jìn)方法的應(yīng)用性能，分別運(yùn)用3 種方法檢測甘肅省部分路段的168幅（1 688×1 874）病害圖像，檢測結(jié)果見表3。由表3 可見：提出方法檢測裂縫102條（漏檢3條，誤檢2條），灌封裂縫165條（漏檢0條，誤檢1條）。SegNet檢測檢測裂縫107條（漏檢11條，誤檢15條：灌封裂縫預(yù)測成裂縫），灌封裂縫154條（漏檢15條，誤檢5條）。BiSeNet檢測裂縫109 條（漏檢7 條，誤檢13 條：灌封裂縫預(yù)測成裂縫），灌封裂縫156 條（漏檢13 條，誤檢5 條）。手動提取裂縫103、灌封裂縫164 條。與手動提取相比，本文方法對灌封裂縫的分割結(jié)果與其基本一致，裂縫的漏檢率，誤檢率分別為2.91%和1.94%。

表3 3 種方法的漏檢率和誤檢率Tab.3 The missed detection rate and false detection rate of the three methods

3 結(jié)束語

針對檢測車采集的圖像質(zhì)量差異大，SegNet 對細(xì)微裂縫分割性能較弱的問題，提出融合語義分割和形態(tài)學(xué)方法的瀝青路面病害自動提取方法，并通過實(shí)驗(yàn)驗(yàn)證得出如下結(jié)論。

1）標(biāo)線去除+MSRCR 可以減弱光照對圖像對比度的影響，凸顯病害特征。

2）利用改進(jìn)的編解碼網(wǎng)絡(luò)分割測試集中的裂縫和灌封裂縫，MIoU和F1分別為82.4%，98.9%。

3）提出的方法能夠完整地提取瀝青路面圖像中的裂縫和灌封裂縫，與人工手動提取相比，裂縫的漏檢率和誤檢率分別為（2.91%，1.94%），優(yōu)于Seg-Net（10.68%，14.56%）和BiSeNet（6.80%，12.62%）。

瀝青路面病害包括橫向裂縫、縱向裂縫、龜裂、塊狀裂縫、塊狀修補(bǔ)、松散、坑槽等11 類病害，文中研究了裂縫（橫向裂縫、縱向裂縫）和灌封裂縫。在今后的研究中，進(jìn)一步提高對瀝青路面病害的提取精度，提高算法對公路路面多種病害的泛化能力。