Resumen

Este estudio desarrolla y prueba un modelo de reconocimiento automático de imágenes a nivel de píxel para reducir la cantidad de trabajo manual necesario para recopilar datos para el mantenimiento de carreteras. En primer lugar, se recopilan imágenes de seis tipos de problemas del pavimento, a saber, grietas transversales, grietas longitudinales, grietas en forma de cocodrilo, grietas en forma de bloque, baches y parches, de cuatro carreteras de asfalto en tres provincias de China para construir un conjunto de datos etiquetados a nivel de píxel que contiene 10.097 imágenes. En segundo lugar, el modelo U-net, una de las redes neuronales profundas más avanzadas para la segmentación de imágenes, se combina con la red neuronal ResNet como red de clasificación básica para reconocer las áreas con problemas en las imágenes. Para entrenar el modelo se utilizan el aumento de datos, la normalización de lotes, el impulso, el aprendizaje de transferencia y los índices de aprendizaje discriminativo. En tercer lugar, los modelos entrenados se validan en el conjunto de datos de prueba, y los resultados de los experimentos muestran lo siguiente: si no se distinguen los tipos de deterioros del pavimento, los valores de precisión de píxeles (PA) de los modelos de reconocimiento que utilizan ResNet-34 y ResNet-50 como redes de clasificación básicas son del 97,336 y 95,772%, respectivamente, en el conjunto de validación. Cuando se distinguen los tipos de aflicción, los valores de PA de los modelos que utilizan las dos redes de clasificación son 66,103 y 44,953%, respectivamente. En el caso del modelo que utiliza ResNet-34, la precisión de la categoría de píxeles (CPA) y la intersección sobre la unión (IoU) de la identificación de las zonas sin problemas son del 99,276 y 99,059%, respectivamente. Para las zonas con problemas en las imágenes, el CPA y el IoU del modelo son los más altos para la identificación de parches, con un 82,774 y 73,778%, y son los más bajos para las grietas de cocodrilo, con un 14,077 y 12,581%, respectivamente.

• Materias:Análisis de suelos Hormigón Construcciones de hormigón Asfalto
• Subjects:Soil testing Concrete Concrete construction Asphalt
• Palabras claves:red de clasificación básica, imagen, malestar en el pavimento, grieta de cocodrilo, tasa de aprendizaje discriminativo, red neuronal profunda, resultados del experimento, precisión de las categorías de píxeles, tipo de pavimento, identificación de la zona
• Keywords:basic classification network, image, pavement distress, alligator crack, discriminative learning rate, deep neural network, results of experiment, categories pixels accuracy, type of pavement, identification of area