论文部分内容阅读
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,难以满足当下道路发展的需求。近年来,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,针对传统道路裂缝检测系统的不足,本文主要研究工作如下:首先,为了适应多场景下的应用需求,本文结合目前深度学习领域的相关技术及部署方案,设计并实现了基于深度学习技术的智能化道路裂缝检测系统。系统下主要包括基于云端服务器及微型PC终端设备的两种部署方案,基于云端的裂缝检测方案采用B/S模式实现客户端浏览器和服务器端的交互,用户可通过浏览器依托服务器端执行深度学习任务,利用云端服务器计算性能实现YOLOv3检测算法的在线训练及裂缝实时检测功能。为了解决深度学习算法在功耗受限的终端难以部署的问题,基于微型PC终端的方案采用轻量级网络Tiny-Darknet构建小型化模型Tiny-YOLOv3进行裂缝检测,通过OpenVINO平台进行模型优化及推理加速。其次,本文采集道路裂缝图像构建项目数据集,主要分为图像预处理、数据标注及数据筛选三阶段。在项目数据集上针对两种部署方案下的YOLOv3及Tiny-YOLOv3算法分别进行性能对比,验证了两种算法相比于其他检测算法在检测效率及精度上的优异性,给出云端及终端设备部署方案的推理检测效果。此外,本文基于微型PC终端设备在OpenVINO平台下进行性能对比实验,相较于TensorFlow框架,Tiny-YOLOv3算法在OpenVINO平台下推断速度提升11.2FPS。最后,为了验证本系统用于道路裂缝检测的可行性与有效性,本文测试分析了基于云端和终端设备两种方案在实际场景部署的比较效果,云端方案在保证实时性的条件下检测精度较高,但微型PC终端方案方便部署,易于实现,具有较好的实时性,在实际场景下可达到17.6FPS的检测速度。