发布时间：2024-08-07 17:00:19 文章作者：知网小编 文章来源：本站首发
随着我国道路建设的快速发展,道路检查及养护工作也日益繁重。 裂缝检测是道路养护工作中的重要环节,在裂缝初期对其进行及时有效的检测维护措施,可以避免道路结构的损坏及交通事故的发生。 目前,传统的道路裂缝检测工作以人工检测方式为主,效率低下,耗时较长且检测精度低,及时准确的公路病害检测已经成为我国公路维修和养护管理的重要研究课题。 难以满足当下道路发展的需求。 来,深度学习技术在计算机视觉领域已取得显著成果,在交通及工业生产等场景中具有广泛应用,基于嵌入式设备、智能手机、FPGA、云端等深度学习平台的部署开发也在逐渐发展,为基于深度学习技术的智能化道路裂缝检测系统提供了可能。
来,深度学习技术在计算机视觉领域已取得显著成果,在交通及工业生产等场景中具有广泛应用,基于嵌入式设备、智能手机、FPGA、云端等深度学习平台的部署开发也在逐渐发展,为基于深度学习技术的智能化道路裂缝检测系统提供了可能。 本文主要基于YOLOV5深度网络对道路的病害进行检测和识别。
对于大规模数据的训练，在时间效率上有极其显著的优势。 因此，将CNN 用在道路路面裂缝识别检测方面，通过使用大规模数据集对网络模型进行训练，可以解决传统计算机模型在训练识别上耗时等问题，还可以提高识别精度和检测效 率。 由于深度学习具有优良的泛化能力和鲁棒性，目前国内外已将该方法应用到土 木结构的计算机视觉检测。
国内外路面裂缝检测系统的 优点主要有：相对于传统的人工检测大大提高了检查效率；采用移动车辆来获 取图像信息，方便实用；引入图像处理技术来对图像进行处理，使得目标更易识别；部分采用照明设备，增加图像的清度；手持检测设备方便携带，信息采集 准确，成本低，方便操作和适用性较强等。 但是，目前国内外路面检测系统也有一些较严重的缺陷：车载设备造价昂贵， 且维护成本大。
