[1]熊 涛,席恩伟,闫文佳.基于红外光谱分析与改进CNN的智能道路质量检测技术[J].工业仪表与自动化装置,2023,(05):98-102.[doi:10.19950/j.cnki.cn61-1121/th.2023.05.020]
　XIONG Tao,XI Enwei,YAN Wenjia.Intelligent road quality detection technology based on infrared spectrum analysis and improvement of CNN[J].Industrial Instrumentation & Automation,2023,(05):98-102.[doi:10.19950/j.cnki.cn61-1121/th.2023.05.020]
点击复制

基于红外光谱分析与改进CNN的智能道路质量检测技术

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2023年05期
页码:
98-102
栏目:
出版日期:
2023-10-15

文章信息/Info

Title:
Intelligent road quality detection technology based on infrared spectrum analysis and improvement of CNN
文章编号:
1000-0682（2023）05-0098-05
作者:
熊 涛1; 2; 席恩伟2; 3; 闫文佳3
1.云南省交通投资建设集团有限公司；2.云南省数字交通重点实验室，云南 昆明 650228；3.云南云岭高速公路工程咨询有限公司，云南 昆明 650220
Author(s):
XIONG Tao1; 2;  XI Enwei2; 3;  YAN Wenjia3
1. Yunnan Communications Investment & Construction Group CO., LTD.;
2. Yunnan Key Laboratory of Digital Communications, Yunnan Kunming 650228, China;
3. Yunnan Yunling Highway Engineering Consulting CO., LTD., Kunming 650220, China
关键词:
红外光谱分析; CNN; 道路裂缝检测; ResNet; 特征识别
Keywords:
infrared spectrum analysis;  CNN;  road crack detection;  resNet;  fHHeature recognition
分类号:
TP391.9
DOI:
10.19950/j.cnki.cn61-1121/th.2023.05.020
文献标志码:
A
摘要:
为了精确、快速地识别道路表面的质量情况，及时进行维保，文中提出了一种基于红外光谱分析与改进CNN的智能道路质量检测技术。该方案根据路面图像的红外光谱特征，通过红外光谱识别技术来判断路面是否存在裂缝。为了精准地检测出路面上的裂缝，同时还对CNN模型的ResNet34进行改进，提出了一种编码器-解码器体系结构的检测网络。在仿真实验中，所提出的道路质量检测方法得到的准确率为98.70%，召回率为99.00%，F1值为98.34%，mIoU为76.24%，其检测所需的时间消耗仅为0.51 s，优于SegNet、U-Net和DFN等深度学习方法。
Abstract:
In order to accurately and quickly identify the quality of road surfaces and carry out maintenance in a timely manner, this paper proposes an intelligent road quality detection technology based on infrared spectroscopy analysis and improved CNN. This scheme uses infrared spectral recognition technology to determine whether there are cracks on the road surface based on the infrared spectral features of the road surface image. In order to accurately detect cracks on the outlet surface and improve ResNet34 of the CNN model, an encoder decoder architecture detection network is proposed. In the simulation experiment, the accuracy of the road quality detection method proposed in the article is 98.70%, the recall rate is 99.00%, the F1 value is 98.34%, and the mIoU is 76.24%. Its detection time consumption is only 0.51 seconds, which is superior to deep learning methods such as SegNet, U-Net, and DFN.

参考文献/References:

[1]谭启.卷积神经网络在端到端道路裂缝检测中的应用研究[J].佳木斯大学学报(自然科学版),2022,40(3):9-11,73.

[2]刘宇翔,佘维,沈占峰,等.ERCUnet：一种基于U-Net改进的道路裂缝检测模型[J].计算机与现代化,2022(7):33-39+53.
[3]张志华,温亚楠,慕号伟,等.结合双注意力机制的道路裂缝检测[J].中国图象图形学报,2022,27(07):2240-2250.
[4]张旭,陈绪君,刘瑞康,等.基于OpenVINO模型优化的智能道路裂缝检测系统[J].信息技术,2020,44(7):62-68.
[5]侯磊,武培怡.二维相关红外光谱分析技术在高分子表征中的应用[J].高分子学报,2022,53(5):522-538.
[6]万顺宽.面向现场快速检测的近红外光谱分析方法研究[D].合肥:中国科学技术大学,2021:34-57.
[7]褚小立,陈瀑,李敬岩,等.近红外光谱分析技术的最新进展与展望[J].分析测试学报,2020,39(10):1181-1188.
[8]王堃,史勇,刘池池,等.基于卷积神经网络的红外光谱建模分析综述[J].红外技术,2021,43(8):757-765.
[9]曹雪娟,苗成成,伍燕.基于二维红外光谱的聚氨酯微相分离研究[J].重庆交通大学学报(自然科学版),2022,41(1):116-121.
[10]罗桑,李想,田佳昊,等.基于红外光谱分析的改性沥青SBS含量快速测定技术[J].长安大学学报(自然科学版),2019,39(3):10-18.
[11]汪家宝,牟怿.基于混合损失ResNet34-UNet的路面裂缝分割方法[J].武汉轻工大学学报,2022,41(6):71-75113.
[12]符甲鑫,汪琦.基于多尺度分组卷积ResNet34的岩石识别模型[J].陕西科技大学学报,2022,40(1):167-173.
[13]鞠默然,罗海波,刘广琦,等.采用空间注意力机制的红外弱小目标检测网络[J].光学精密工程,2021,29(4):843-853.
[14]伍邦谷,张苏林,石红,等.基于多分支结构的不确定性局部通道注意力机制[J].电子学报,2022,50(2):374-382.
[15]吴向东,赵健康,刘传奇.基于CNN与CRF的桥梁裂缝检测算法[J].计算机工程与设计,2021,42(1):51-56.
[16]张跃飞,王敬飞,陈斌,等.基于改进的Mask R-CNN的公路裂缝检测算法[J].计算机应用,2020,40(S2):162-165.

相似文献/References:

[1]韩 丽,刘 玲,孙建新,等.一种新型GIS设备气体泄漏检测报警装置的研制[J].工业仪表与自动化装置,2019,(01):115.[doi:1000-0682（2019）01-0000-00]
　HAN Li,LIU Ling,SUN Jianxin,et al.Development of a new gas leakage detection and alarm device for GIS equipment[J].Industrial Instrumentation & Automation,2019,(05):115.[doi:1000-0682（2019）01-0000-00]
[2]徐先峰,黄刘洋,龚 美.基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测[J].工业仪表与自动化装置,2020,(01):13.
　XU Xianfeng,HUANG Liuyang,GONG Mei.Short-term traffic flow prediction based on combined model of convolutional neural network and bidirectional long-term memory network[J].Industrial Instrumentation & Automation,2020,(05):13.
[3]徐先峰,王 研,刘阿慧,等.基于CNN并引入EMD预处理机制的滚动轴承故障诊断方法[J].工业仪表与自动化装置,2020,(04):7.[doi:1000-0682(2020)04-0000-00]
　XU Xianfeng,WANG Yan,LIU Ahui,et al.A rolling bearing fault diagnosis method based on CNN and introducing EMD preprocessing mechanism[J].Industrial Instrumentation & Automation,2020,(05):7.[doi:1000-0682(2020)04-0000-00]
[4]张 伟,张广帅,王连彪.基于CNN-GRU网络的轴承故障检测算法[J].工业仪表与自动化装置,2021,(06):88.[doi:10.19950/j.cnki.cn61-1121/th.2021.06.017]
　ZHANG Wei,ZHANG Guangshuai,WANG Lianbiao.Bearing fault detection algorithm based on CNN-GRU network[J].Industrial Instrumentation & Automation,2021,(05):88.[doi:10.19950/j.cnki.cn61-1121/th.2021.06.017]

备注/Memo

备注/Memo:
收稿日期：2023-06-05

基金项目：
云南省数字交通重点实验室（202205AG070008）；
云南交投科技创新计划项目（YCIC-YF-2021-11）。

第一作者：
熊涛（1972—），男，汉，四川泸州人，本科，高级工程师，研究方向为公路养护管理，养护信息化，数字交通，智慧养护等。
更新日期/Last Update: 1900-01-01