基于YOLOv3的农村公路路面病害自动识别研究

陈 昕，王 曦,2，黄晶晶，杨 硕，陈佳雯

基于YOLOv3的农村公路路面病害自动识别研究

陈 昕1，王 曦1,2，黄晶晶3，杨 硕1，陈佳雯1

（1.辽宁工业大学 汽车与交通工程学院，辽宁 锦州 121001；2.长城汽车股份有限公司，河北 保定 071000；3.辽宁工业大学 实业总公司，辽宁 锦州 121001）

对农村公路路面病害进行自动识别研究，为农村公路路面病害识别工作节省时间、人力和财力，提高识别效率。以农村公路路面病害普查图片作为数据集，提出农村公路路面病害自动识别架构，运用改进后的YOLOv3算法，采用darknet-53网络框架，对农村公路路面病害图片进行标注，之后依次进行样本处理、特征值提取、锚框选择、损失计算及病害定位，训练得到损失值逐渐降低的农村公路路面病害特征权重值，运用训练得到的路面病害特征权重值对测试集中的图片进行识别。识别结果表明，YOLOv3算法病害自动识别能够把图片中的病害识别出来，可用于农村公路路面病害识别工作中。

农村公路；路面病害；YOLOv3算法；自动识别

农村公路上存在着裂缝、坑槽和沉陷等各种病害，对道路的承载力、运输能力、行车安全等有很大的影响。路面病害识别是道路养护管理的先决条件，目前，国内识别路面病害主要方法是人工识别。检测人员到现场，对路面的破损位置及面积进行测量，记录，之后对数据进行统计，归类，存档，作为路面病害评判的依据。人工方法，检测周期长、工作强度大、准确程度低，已无法适应我国公路养护的发展要求。郑明[1]对衡阳地区农村公路病害分析，并从路面结构方面进行优化研究。许慧青等[2]基于卷积神经网络，研究细长路面病害检测方法。唐咸燕[3]基于卷积神经网络图片识别，对路面病害智能识别和养护管理系统应用进行研究。高海鹏[4]对农村公路水泥混凝土路面的常见病害分析进行分析，并提出病害防治措施。及时对路面的病害进行检测识别，可以延长道路使用年限，提高行车安全性，降低每年道路养护的费用。因此，进行道路路面病害的自动检测识别研究极其重要。

1 自动识别总体架构

本文采用深度学习卷积神经网络中改进后的YOLOv3(you only look once vesion 3)算法，对农村公路路面图片进行自动识别，筛选出病害区域。自动识别结构如图1所示。

图1 农村公路路面病害自动识别结构

农村公路路面病害自动识别对农村公路路面病害图片读取后，需要进行中值滤波，病害标注后，进行YOLOv3病害自动识别，运用改进后的YOLOv3算法，进行训练得到路面病害特征权重值，使用路面病害特征权重值，对测试集进行准确率检测，当准确率较低时，在现已训练得到的病害特征权重值基础上，继续通过训练集对病害特征权重值进行训练，重复循环上述步骤，直到改进后的YOLOv3算法训练损失降到标准之下，重新通过测试集进行准确率检测，重复上述步骤，直到准确率达到标准。YOLOv3算法是单阶段算法，直接图像进行运算，省略了候选框的提取，运行速度快。YOLOv3形成3类anchor，可以分别对大中小3类目标进行检测，具有很强的适用性。

2 农村公路路面病害自动识别

2.1 读取路面病害数据集

路面病害数据集来源于湖南省农村公路路况全面普查项目采集的农村公路路面病害普查图片，对数据集中所有图片按农村公路技术状况评定方法中的路面技术评定(PQI)区分出病害路面，数据集共1 000张图片，将数据集用留出法以7∶3划分为训练集与测试集。

2.2 病害图像中值滤波

病害图像的病害是图像中的局部，中值滤波是一种非线性的局部平滑技术，中值滤波在运算过程中不需要图像的统计特性，使用方便。在一定条件下，能克服线性滤波器的图像细节模糊，能够有效滤除脉冲干扰及颗粒噪声。基于病害图像特点和中值滤波的特点，本文对病害图像采用中值滤波，中值滤波是采用一个滑动窗口，含有奇数个点，用窗口中各点灰度值的中值，替代窗口中心像素的灰度值。中值滤波效果的关键要素：领域的空间范围和中值计算中涉及的像素数。本文采用3×3窗口，滤波后病害图像更为清晰。

2.3 病害标注

病害图像目标检测模型进行训练前，需要将数据集中有病害的路面框定标记。本文使用LabelImg图像标记软件，在原有尺寸的图像上，对路面病害进行目标位置标记，标签为abnormal，并生成标签文件来保存标注的信息。

2.4 YOLOv3算法病害自动识别

本文基于YOLOv3算法，采用darknet-53网络框架，网络主要是由1×1和3×3的卷积层组成，网络中有53个卷积层[5]。通过深度学习卷积神经网络中改进后的YOLOv3算法，对农村公路路面病害标注后，图片依次进行样本处理、特征值提取、锚框选择、损失计算及病害定位，训练路面病害特征权重值，得到损失值逐渐降低的特征权重值，对测试集中的图片进行识别，自动筛选出病害路面图片，算法步骤如下。

Step1：样本处理，将打标文件（.xml）格式处理为（.txt）格式。

Step2：特征提取，通过聚类算法进行boundingbox选取，运用darknet-53卷积神经网络框架进行特征值提取。

Step3：锚框选择，将锚框尺寸分为3类9种，分别为3大、3中、3小，对不同的路面病害区域进行框定。

Step4：损失计算，计算锚框损失与置信度损失之和，训练模型，得到损失值逐渐降低的农村公路路面病害特征权重值。

Step5：病害定位，对路面病害区域准确定位并可视化病害框定区域。

3 识别结果分析

不同病害准确识别率的病害路面识别如图2～图4所示。

图2 病害准确识别率98.0%病害路面识别

图3 病害准确识别率97.0%、99.0%病害路面识别

图4 病害准确识别率71.0%、86.0%、93.0%、95.0%病害路面识别

图中b'abnormal是打标时候设置的标签，指的是病害部分，数字是病害准确识别率。分析识别结果可知，YOLOv3算法病害自动识别能够把图片中的病害识别出来，而且病害越严重，准确识别率越高，如图4中，不同严重病害区域，病害准确识别率71.0%、86.0%、93.0%、95.0%。

对测试集300张图片进行路面病害自动识别，识别用时为0.92 s，病害准确识别率平均值为91.3%。人工查看路面病害图片，熟练工作人员识别1次至少需要2 s，还需要框定病害位置，人工识别所用时间至少为900 s，人眼疲劳，人工误差存在，人工识别准确识别率为92.0%。YOLOv3路面病害自动识别，识别用时少，识别准确率略低于人工识别率，自动识别效率高，如表1所示。

表1 测试集自动识别与人工识别对比分析

4 结束语

本文运用深度学习卷积神经网络中改进后的YOLOv3算法对农村公路路面病害进行自动识别，依据该模型实现病害的自动识别，提高效率，降低成本。相比于人工检测，病害自动识别，可以实现对路面病害自动准确的识别，且识别效率高，节约劳动力，是未来路面病害识别的发展趋势。

[1] 郑明. 衡阳地区农村公路病害分析及路面结构优化研究[D]. 衡阳: 南华大学, 2015.

[2] 许慧青, 陈斌, 王敬飞, 等. 基于卷积神经网络的细长路面病害检测方法[J]. 计算机应用, 2022, 42(1): 265-272.

[3] 唐咸燕. 路面病害智能识别和养护管理系统应用[J]. 交通与运输, 2021, 37(5): 39-43.

[4] 高海鹏. 农村公路水泥混凝土路面的常见病害分析及防治[J]. 水泥与混凝土生产, 2021, (4): 23-24.

[5] 太阳花的小绿豆. YOLOv3网络结构分析[Z/OL]. https://blog.csdn.net/qq_37541097/article/details/8121495.

Research on Automatic Identification of Rural Highway Pavement Diseases Based on YOLOv3

CHEN Xin1, WANG Xi1,2, HUANG Jing-jing3, YANG Shuo1, CHEN Jia-wen1

（1.School of Automobile and Traffic Engineering, Liaoning University of Technology, Jinzhou 121001, China;2. Great Wall Motor Co., LTD., Baoding 071000, China;3. Industrial Corporation, Liaoning University of Technology, Jinzhou 121001, China）

Based on the improved Yolov3 algorithm in the deep learning convolutional neural network, the automatic identification of rural highway pavement diseases is researched. It can save a lot of time, manpower and financial resources and improve the identification efficiency for rural pavement disease identification. Based on the survey pictures of rural highway pavement diseases as the data set, an automatic recognition framework for rural highway pavement diseases was proposed. The improved YOLOv3 algorithm and darknet-53 network framework were used to label the rural highway pavement diseases pictures, and then sample processing, feature value extraction, anchor frame selection, loss calculation and disease location were carried out in sequence. The characteristic weight value of rural pavement disease with gradually decreasing loss value is obtained by training. The characteristic weight value of road disease obtained by training is used to identify the pictures in the test set. The recognition results show that the YOLOv3 algorithm can identify the diseases in the pictures, and can be used in rural road pavement disease recognition.

rural highway; pavement disease; YOLOv3 algorithm; automatic identification

10.15916/j.issn1674-3261.2023.05.003

U16

A

1674-3261(2023)05-0293-03

2021-11-02

辽宁省先进装备制造业基地建设工程中心项目(LNZC2023-0041-1)；辽宁工业大学教学改革研究项目(xjg2022014)

陈昕(1972-)，女，辽宁铁岭人，教授，博士。

责任编辑：陈 明