基于One-Stage目标检测的路面损害检测算法对比分析

• 作者: 陈晓芳 李季
• 来源期刊: 计算机应用
• 学科: 交通运输
• 关键词: 路面损坏 目标检测 主干网络 检测精度 鲁棒性
• 年，卷（期）: 2021,（z2）
• 所属期刊栏目: 人工智能|Artificial intelligence
• 页码范围: 81-85
• 页数: 5页
• 分类号: TP391|U418.6
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2021040573

摘要

针对如何方便、快速、准确地检测常见的路面损害问题,提高路面损害的检测效率,选取三种常用的One-Stage目标检测算法(SSD、YOLOv3、RetinaNet),以智能手机拍照的方式收集路面损害数据,利用LabelImg工具制作图像标签数据集,通过替换其主干网络的方式训练了6种检测模型(SSD-MobileNetv1、YOLOv3-MobileNetv1、YOLOv3-DarkNet53、YOLOv3-ShuffleNetv2、YOLOv3-ResNet50、RetinaNet-ResNet50),并采用两组不同类型的数据集(路面背景较为干净的数据集A和路面背景含有大量树枝阴影和水渍的数据集B)对上述6种模型的检测性能进行对比分析.实验结果表明:在检测精度方面,YOLOv3-ResNet50模型的检测精度高于另外5种算法模型,比YOLOv3-MobileNetv1模型提高1.6个百分点,比RetinaNet-ResNet50模型提高3.7个百分点,比YOLOv3-DarkNet53模型提高4.5个百分点;在模型参数规模方面,SSD-MobileNetv1模型最轻且参数规模最小,比YOLOv3-MobileNetv1模型减少76.9％的参数量,比YOLOv3-ShuffleNetv2模型减少21.4％的参数量;在模型漏检和误检率方面,YOLOv3-DarkNet53模型的漏检率最低(7/403),YOLOv3-MobileNetv1模型的误检率最低(8/403)、鲁棒性最好.因此YOLOv3-ResNet50算法模型适合用于路表面较为干净且精度要求较高的路面损害检测;SSD-MobileNetv1和YOLOv3-ShuffleNetv2的参数规模较小,可应用于嵌入式设备的检测;YOLOv3-MobileNetv1不易受路面条件的干扰,能够满足正常路面检测要求.