【《基于深度学习的道路缺陷检测研究国内外文献综述》2600字】

基于深度学习的道路缺陷检测研究国内外文献综述在过去的几十年中，许多国内外研究人员致力于改善自动道路缺陷检测的性能，并取得可喜成果。现有检测算法可以大致分为三类：传统方法、传统机器学习和深度学习。1传统方法在道路缺陷早期研究中，基于阈值的路面缺陷检测方法通常认为裂纹、修补等缺陷比正常路面暗，大于特定阈值的像素被检测为缺陷像素，小于阈值的像素则被认为是无缺陷像素[1-4]。文献[5]使用基于直方图的阈值化方法获得裂纹的粗略位置。Oliveira等人[6]借用道路裂纹图像本身的灰度分布的先验知识，迭代计算图像局部区域的最佳分割阈值，以区分裂纹与背景。徐威等人[7]将显著性方法引入道路裂纹检测领域，基于全局对比度和灰度稀疏性获取初始裂缝显著值，然后从裂纹亮度和边缘特性的角度出发增强局部邻域的细尺度，最后通过自适应阈值提取裂纹。对于背景简单且缺陷与背景之间差异大的图片，基于阈值的道路缺陷检测方法表现良好。但是，由于路面是开放式的环境，往往存在雨渍、砾石等比背景暗的干扰因素，此时难以选择合适的像素阈值来提取缺陷，导致基于阈值的道路缺陷检测方法误检率高。此外，路面图像采集工作一般借助如图1.3所示的车载式图像采集系统完成，整个过程处于动态，因此成像条件具有不确定性，采集到的图片多存在噪声、照明不均匀等问题，进一步限制基于阈值的道路缺陷检测方法的推广。为此，文献[8]将边缘检测方法应用到道路缺陷检测中，虽对噪声等干扰因素具有一定的鲁棒性，但在低对比度情况下检测效果不佳。图1.3道路缺陷检测车Fig.1.3Roaddefectinspectionvehicle2传统机器学习随着传感器技术的高速发展[9-11]，基于机器视觉的缺陷检测方法为道路缺陷检测带来了新的思路。机器视觉检测具有非接触性、高可靠性、高自动化[12]等优点。Hu等人[13]基于路面纹理设计特征，采用支持向量机(SupportVectorMachine,SVM)判别背景和道路缺陷。Cord等人[14]针对道路表面高度纹理化，提出一种通用性的监督学习方法，采用大量的线性和非线性滤波器提取纹理特征。Hu等人[15]对局部二值模式(LocalBinaryPattern,LBP)进行了改进，将局部像素分为平滑区域和粗糙区域，仅在粗糙区域中捕获局部结构信息。然后对局部区域进行重新组合，并创建一个查找表以便快速实施，此方法可有效提高不规则纹理表面图像检测效果。李江等人[16]从路面缺陷样本的灰度和方差等特性出发，把自适应阈值融入区域生长，实现裂纹的像素级别检测。但该方法对噪声比较敏感，缺陷的检测效果有待进一步加强。刘换平[17]基于最大类间方差法(OTSU算法)获取初始裂纹分割图，然后通过膨胀腐蚀处理去除非裂纹区域，最后引入Hilditch细化算法提取裂纹中心，完成裂纹分类并提供其几何信息。这些方法对局部模式进行编码，缺乏裂纹的整体视图。为进一步提升检测效果，Zou等人[18]和Li等人[19]从全局角度进行裂缝检测，通过考虑路面裂缝图像的光度和几何特征来进行裂缝检测，有效消除噪音，同时增强检测结果的连续性，但在处理强度不均匀或形态多变的裂缝时，其检测性能并不出色。综上，基于传统机器学习的路面缺陷检测方法通过对缺陷的纹理、结构等属性分析，设计有针对性的特征来实现缺陷检测和分割，因此，该方法依赖人的经验和相关专业知识，具有一定的主观性，且设计的手工特征不具有普适性，不能够满足检测结构多变裂纹的实际需求，缺乏可靠的特征表示。3深度学习深度学习使用卷积、池化及反卷积等一系列操作从数据中自动提取和学习特征，从上文分析可知，传统的机器学习则需要手动设计特征，这些特征通常在某些下游任务中表现较差。近年来，深度学习凭借其强大的特征表示优势在路面裂缝检测中取得了惊人的成绩。Wang等人[20]首次将卷积神经网络(Convolutionalneuralnetwork,CNN)引入路面缺陷检测领域，采用两个并行的系统对裂缝进行分类。Gopalakrishnan等人[21]将深度迁移学习技术应用到路面缺陷分类中，把在大数据集上完成训练的深度卷积神经网络(DeepConvolutionalNeuralNetwork,DCNN)重新应用到裂纹检测中，以降低深度学习对标记的“大数据”样本数量和计算系统的需求。Fan等人[22]使用权重衰减来惩罚较大的权重，并将L2惩罚项添加到损失函数中。此策略可以防止网络过度拟合。Yang等人[23]将FCN(FullyConvolutionalNetworksforSemanticSegmentation)[24]引入到路面裂缝检测中，通过卷积和池化对输入图片进行编码，提取高级语义信息，然后对编码特征进行上采样以恢复原图分辨率，同时，融合在编码过程中捕获的低级特征，以提高模型对于细节信息的感知能力，该模型可以实现路面裂纹的端到端检测。Yang等人[25]集成了上下文信息和浅层的特征，通过对容易和困难的样本赋予不同的权重来提高检测性能。Chen等人[26]首先预测编码器中图像的正负，然后在图像为负时跳过解码器模型，该方法可以加速模型的求解。Fan等人[27]通过卷积神经网络集合产生初始预测图，然后使用骨架提取算法对其进行优化。Xiang等人[28]提出一种金字塔模块，利用空间和通道注意力模块提取语义信息和完善的裂缝特征。Yin等人[29]连接不同层的特征图，同时在主干中引入空洞卷积以扩大感受野，从而提升模型对不同形态路面缺陷的表征能力，且不增加额外计算量。参考文献KasekoMohamedS.,RitchieStephenG.Aneuralnetwork-basedmethodologyforpavementcrackdetectionandclassification[J].Pergamon,1993,1(4):275-291.LiuF,XuG,YangY,etal.Novelapproachtopavementcrackingautomaticdetectionbasedonsegmentextending[C].2008InternationalSymposiumonKnowledgeAcquisitionandModeling,Wuhan,China,2008:610-614.LiQ,LiuX.Novelapproachtopavementimagesegmentationbasedonneighboringdifferencehistogrammethod[C].2008CongressonImageandSignalProcessing,Sanya,China,2008,2:792-796.孟乔.沥青路面裂纹检测算法研究[D].陕西:长安大学,2010.TangJ,GuY.Automaticcrackdetectionandsegmentationusingahybridalgorithmforroaddistressanalysis[C].2013IEEEInternationalConferenceonSystems,Manchester,England,2013:3026-3030.OliveiraH,CorreiaPL.Automaticroadcracksegmentationusingentropyandimagedynamicthresholding[C].200917thEuropeanSignalProcessingConference,Glasgow,England,2009:622-626.徐威,唐振民,吕建勇.基于图像显著性的路面裂缝检测[J].中国图象图形学报,2013,18(01):69-77.LimRS,LaHM,ShanZ,etal.Developingacrackinspectionrobotforbridgemaintenance[C].2011IEEEInternationalConferenceonRoboticsandAutomation,Huangshan,China,2011:6288-6293.张亚军,齐杏林,董成基.基于机器视觉的枪弹钢芯自动检测系统[J].兵工自动化,2012,31(07):8-11.王天河,侯建军.基于机器视觉和姿态检测的循迹智能车[J].兵工自动化,2012,31(08):82-85.王大千.基于机器视觉的医药液体制剂异物检测算法研究[D].南京:南京大学,2011.BabenkoP.Visualinspectionofrailroadtracks[J].Dissertations&Theses-Gradworks,2009,3(4):14–16.HuY,ZhaoC,WangH.Automaticpavementcrackdetectionusingtextureandshapedescriptors[J].IETETechnicalReview,2010,27(5):398-405.CordA,ChambonS.AutomaticroaddefectdetectionbytexturalpatternrecognitionbasedonAdaBoost[J].Computer‐AidedCivilandInfrastructureEngineering,2012,27(4):244-259.HuY,ZhaoC.AnovelLBPbasedmethodsforpavementcrackdetection[J].JournalofpatternRecognitionresearch,2010,5(1):140-147.李江.基于图像的道路裂缝识别算法的研究[D].武汉:华中科技大学,2013.刘换平.车载路面裂纹检测系统图像标定与裂纹辨识方法研究[D].长春:吉林大学,2016.AmhazR,ChambonS,IdierJ,etal.Automaticcrackdetectionontwo-dimensionalpavementimages:Analgorithmbasedonminimalpathselection[J].IEEETransactionsonIntelligentTransportationSystems,2016,17(10):2718-2729.ZouQ,CaoY,LiQ,etal.CrackTree:Automaticcrackdetectionfrompavementimages[J].PatternRecognitionLetters,2012,33(3):227-238.WangX,HuZ.Grid-basedpavementcrackanalysisusingdeeplearning[C].20174thInternationalConferenceonTransportationInformationandSafety(ICTIS),Banff,Canada,2017:917-924.GopalakrishnanK,KhaitanSK,ChoudharyA,etal.Deepconvolutionalneuralnetworkswithtransferlearningforcomputervision-baseddata-drivenpavementdistressdetection[J].ConstructionandBuildingMaterials,2017,157:322-330.FanZ,WuY,LuJ,etal.Automaticpavementcrackdetectionbasedonstructuredprediction