开发深度学习CNN模型用于高速公路裂缝检测与分类

摘要整理

本文旨在测试四种深度学习预训练卷积神经网络（CNN）模型在高速公路裂缝检测与分类中的性能和准确度，并开发新型CNN模型以在不同学习率下最大化检测精度。研究收集了4,663张高速公路裂缝图像样本，分为三类：竖向裂缝、竖横向裂缝和斜向裂缝。使用Matlab软件将样本按70%训练集和30%测试集的比例划分，应用四种深度学习CNN模型并计算其准确度。随后开发新型深度学习CNN模型，采用三种优化算法在不同学习率下测试其准确度。研究结果表明：四种预训练模型的准确度均超过Top-1和Top-5平均水平，新模型对样本的分类检测准确度相比预训练AlexNet模型提高约3%，相比GoogleNet模型提高0.2%。其中GoogleNet模型表现最优，准确度为89.08%，比AlexNet高1.26%。而新开发的深度学习CNN模型在学习率为0.001、采用Adam优化算法的条件下，准确度达到97.62%，超越所有预训练模型。该模型可使高速公路管理部门在极短时间内扫描长距离路段并准确识别裂缝类型，相比传统检测方法效率显著提升，具有重要的实际应用价值。

相关论文