基于数据深度增强的路面病害智能检测方法研究及比较

针对路面病害人工检测方法的耗时问题和路面病害自动检测方法的检测精度问题(由于样本数据集不均衡导致),采用一种数据深度增强方法,对车载智能手机拍摄的高清路面图片数据集进行增强处理,并测试评估该数据增强方法对2种不同类型目标检测算法的提升效果.首先,鉴于实验条件及采集环境的限制,作者采用一种WGAN-GP与泊松迁移算法相融合的数据深度增强方法,通过生成不同遮挡物、不同光线条件下的道路坑槽图片,补充并均衡训练样本数据;然后,引入Faster R-CNN和基于Yolo算法的多种目标检测算法变体(Yolov5s、Yolov5m、Yolov5l、Yolov5x),通过实验比对应用数据深度增强方法后各种目标检测算法的识别精度和效率.在日本公开道路检测数据集上的实验结果显示,使用数据深度增强方法后,5种检测算法的P指标、R指标及F1指标平均提升度分别为2.8％、4.0％及3.6％;5种检测算法中,Yolov5l取得最高的F1数值,达到60.9％,若条件适宜,如在背景光线适中的测试集上,Yolov5l算法的F1数值可以达到68.7％,取得较好的效果.