改进型VGG算法对小样本路面破损的分类识别

为解决小样本沥青路面破损图片在分类识别中存在的识别精度差的问题,选择常见的5种路面破损类型,提出了一种基于VGG的浅层深度卷积神经网络模型的路面破损图像分类方法. 首先,将采集到的图像集进行预处理并自制成数据集. 其次,设置三种不同的批处理量尺寸和两种不同的网络层数作训练,选择最适合该网络模型的尺寸,得到浅层VGG模型. 将处理后的路面图片直接作为模型的输入,作模型的训练、验证及测试. 最后,将模型试验结果与支持向量机及目前主流的深度卷积神经网络模型的试验结果进行对比. 结果表明：浅层VGG模型在训练集、验证集及测试集的分类准确率接近,对路面破损图像的分类识别准确率都达到98%以上,表现出模型良好的识别能力;与支持向量机及目前主流的网络模型试验结果相比,浅层VGG网络模型训练耗时少且泛化能力更强,模型提取到的特征更丰富,可获得更加全局的信息. 可见,浅层VGG模型在对小规模图像的分类识别中具有显著优势,同时相比其他方法更具鲁棒性,结果更精确.     

采用深度卷积神经网络的路面破损智能识别

为有效识别沥青路面病害类别，将VGG卷积神经网络引入沥青路面病害识别中. 根据VGG模型随着卷积核深度的加深可获得图片更深层次特征的特点，将VGG模型最后一层卷积核的卷积深度加深，得到改进型VGG模型，并与原始VGG模型进行比较. 结果表明：改进型VGG模型每步用时278ms，相比于原始模型每步用时258ms略有增加，而病害识别精度进一步提升了1.36%，对龟裂、松散等复杂裂缝分别提高了1.12%、0.84%. 可见，VGG模型可有效识别路面病害，将其适当改进后效果更佳，对诸如松散、龟裂等复杂路面病害可做到精确识别，能及时、有效监测路面破损状况.     

采用深度卷积神经网络的路面破损智能识别

为有效识别沥青路面病害类别,为后续养护对策的制定提供依据,将深度卷积神经网络,视觉几何组(Visual Geometry Group NetWork, VGG)技术引入沥青路面病害识别任务中。根据VGG网络结构随着卷积核深度的加深可获得图片更深层次特征的特点,将VGG模型最后一层卷积核中的卷积深度加深,获得改进后的VGG模型,并与VGG模型进行比较。结果表明：改进后的VGG模型用时为278ms/step,相比于VGG模型用时为258ms/step略有增加,而对病害的识别精度又进一步优化,提升了1.36,对龟裂、松散这类复杂裂缝分别提高了1.12%、8.4%。可见,采用VGG模型可以有效识别路面病害,将其适当改进后,效果更佳,相比于其他方法,对诸如松散、龟裂等复杂路面病害可做到精确识别,达到及时、有效监测、养护路面,防止路面进一步退化的目的。