基于深度學(xué)習(xí)的道路缺陷檢測(cè)研究國(guó)內(nèi)外文獻(xiàn)綜述在過(guò)去的幾十年中，許多國(guó)內(nèi)外研究人員致力于改善自動(dòng)道路缺陷檢測(cè)的性能，并取得可喜成果?，F(xiàn)有檢測(cè)算法可以大致分為三類(lèi)：傳統(tǒng)方法、傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。1傳統(tǒng)方法在道路缺陷早期研究中，基于閾值的路面缺陷檢測(cè)方法通常認(rèn)為裂紋、修補(bǔ)等缺陷比正常路面暗，大于特定閾值的像素被檢測(cè)為缺陷像素，小于閾值的像素則被認(rèn)為是無(wú)缺陷像素[1-4]。文獻(xiàn)[5]使用基于直方圖的閾值化方法獲得裂紋的粗略位置。Oliveira等人[6]借用道路裂紋圖像本身的灰度分布的先驗(yàn)知識(shí)，迭代計(jì)算圖像局部區(qū)域的最佳分割閾值，以區(qū)分裂紋與背景。徐威等人[7]將顯著性方法引入道路裂紋檢測(cè)領(lǐng)域，基于全局對(duì)比度和灰度稀疏性獲取初始裂縫顯著值，然后從裂紋亮度和邊緣特性的角度出發(fā)增強(qiáng)局部鄰域的細(xì)尺度，最后通過(guò)自適應(yīng)閾值提取裂紋。對(duì)于背景簡(jiǎn)單且缺陷與背景之間差異大的圖片，基于閾值的道路缺陷檢測(cè)方法表現(xiàn)良好。但是，由于路面是開(kāi)放式的環(huán)境，往往存在雨漬、礫石等比背景暗的干擾因素，此時(shí)難以選擇合適的像素閾值來(lái)提取缺陷，導(dǎo)致基于閾值的道路缺陷檢測(cè)方法誤檢率高。此外，路面圖像采集工作一般借助如圖1.3所示的車(chē)載式圖像采集系統(tǒng)完成，整個(gè)過(guò)程處于動(dòng)態(tài)，因此成像條件具有不確定性，采集到的圖片多存在噪聲、照明不均勻等問(wèn)題，進(jìn)一步限制基于閾值的道路缺陷檢測(cè)方法的推廣。為此，文獻(xiàn)[8]將邊緣檢測(cè)方法應(yīng)用到道路缺陷檢測(cè)中，雖對(duì)噪聲等干擾因素具有一定的魯棒性，但在低對(duì)比度情況下檢測(cè)效果不佳。圖1.3道路缺陷檢測(cè)車(chē)Fig.1.3Roaddefectinspectionvehicle2傳統(tǒng)機(jī)器學(xué)習(xí)隨著傳感器技術(shù)的高速發(fā)展[9-11]，基于機(jī)器視覺(jué)的缺陷檢測(cè)方法為道路缺陷檢測(cè)帶來(lái)了新的思路。機(jī)器視覺(jué)檢測(cè)具有非接觸性、高可靠性、高自動(dòng)化[12]等優(yōu)點(diǎn)。Hu等人[13]基于路面紋理設(shè)計(jì)特征，采用支持向量機(jī)(SupportVectorMachine,SVM)判別背景和道路缺陷。Cord等人[14]針對(duì)道路表面高度紋理化，提出一種通用性的監(jiān)督學(xué)習(xí)方法，采用大量的線(xiàn)性和非線(xiàn)性濾波器提取紋理特征。Hu等人[15]對(duì)局部二值模式(LocalBinaryPattern,LBP)進(jìn)行了改進(jìn)，將局部像素分為平滑區(qū)域和粗糙區(qū)域，僅在粗糙區(qū)域中捕獲局部結(jié)構(gòu)信息。然后對(duì)局部區(qū)域進(jìn)行重新組合，并創(chuàng)建一個(gè)查找表以便快速實(shí)施，此方法可有效提高不規(guī)則紋理表面圖像檢測(cè)效果。李江等人[16]從路面缺陷樣本的灰度和方差等特性出發(fā)，把自適應(yīng)閾值融入?yún)^(qū)域生長(zhǎng)，實(shí)現(xiàn)裂紋的像素級(jí)別檢測(cè)。但該方法對(duì)噪聲比較敏感，缺陷的檢測(cè)效果有待進(jìn)一步加強(qiáng)。劉換平[17]基于最大類(lèi)間方差法(OTSU算法)獲取初始裂紋分割圖，然后通過(guò)膨脹腐蝕處理去除非裂紋區(qū)域，最后引入Hilditch細(xì)化算法提取裂紋中心，完成裂紋分類(lèi)并提供其幾何信息。這些方法對(duì)局部模式進(jìn)行編碼，缺乏裂紋的整體視圖。為進(jìn)一步提升檢測(cè)效果，Zou等人[18]和Li等人[19]從全局角度進(jìn)行裂縫檢測(cè)，通過(guò)考慮路面裂縫圖像的光度和幾何特征來(lái)進(jìn)行裂縫檢測(cè)，有效消除噪音，同時(shí)增強(qiáng)檢測(cè)結(jié)果的連續(xù)性，但在處理強(qiáng)度不均勻或形態(tài)多變的裂縫時(shí)，其檢測(cè)性能并不出色。綜上，基于傳統(tǒng)機(jī)器學(xué)習(xí)的路面缺陷檢測(cè)方法通過(guò)對(duì)缺陷的紋理、結(jié)構(gòu)等屬性分析，設(shè)計(jì)有針對(duì)性的特征來(lái)實(shí)現(xiàn)缺陷檢測(cè)和分割，因此，該方法依賴(lài)人的經(jīng)驗(yàn)和相關(guān)專(zhuān)業(yè)知識(shí)，具有一定的主觀(guān)性，且設(shè)計(jì)的手工特征不具有普適性，不能夠滿(mǎn)足檢測(cè)結(jié)構(gòu)多變裂紋的實(shí)際需求，缺乏可靠的特征表示。3深度學(xué)習(xí)深度學(xué)習(xí)使用卷積、池化及反卷積等一系列操作從數(shù)據(jù)中自動(dòng)提取和學(xué)習(xí)特征，從上文分析可知，傳統(tǒng)的機(jī)器學(xué)習(xí)則需要手動(dòng)設(shè)計(jì)特征，這些特征通常在某些下游任務(wù)中表現(xiàn)較差。近年來(lái)，深度學(xué)習(xí)憑借其強(qiáng)大的特征表示優(yōu)勢(shì)在路面裂縫檢測(cè)中取得了驚人的成績(jī)。Wang等人[20]首次將卷積神經(jīng)網(wǎng)絡(luò)(Convolutionalneuralnetwork,CNN)引入路面缺陷檢測(cè)領(lǐng)域，采用兩個(gè)并行的系統(tǒng)對(duì)裂縫進(jìn)行分類(lèi)。Gopalakrishnan等人[21]將深度遷移學(xué)習(xí)技術(shù)應(yīng)用到路面缺陷分類(lèi)中，把在大數(shù)據(jù)集上完成訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)(DeepConvolutionalNeuralNetwork,DCNN)重新應(yīng)用到裂紋檢測(cè)中，以降低深度學(xué)習(xí)對(duì)標(biāo)記的“大數(shù)據(jù)”樣本數(shù)量和計(jì)算系統(tǒng)的需求。Fan等人[22]使用權(quán)重衰減來(lái)懲罰較大的權(quán)重，并將L2懲罰項(xiàng)添加到損失函數(shù)中。此策略可以防止網(wǎng)絡(luò)過(guò)度擬合。Yang等人[23]將FCN(FullyConvolutionalNetworksforSemanticSegmentation)[24]引入到路面裂縫檢測(cè)中，通過(guò)卷積和池化對(duì)輸入圖片進(jìn)行編碼，提取高級(jí)語(yǔ)義信息，然后對(duì)編碼特征進(jìn)行上采樣以恢復(fù)原圖分辨率，同時(shí)，融合在編碼過(guò)程中捕獲的低級(jí)特征，以提高模型對(duì)于細(xì)節(jié)信息的感知能力，該模型可以實(shí)現(xiàn)路面裂紋的端到端檢測(cè)。Yang等人[25]集成了上下文信息和淺層的特征，通過(guò)對(duì)容易和困難的樣本賦予不同的權(quán)重來(lái)提高檢測(cè)性能。Chen等人[26]首先預(yù)測(cè)編碼器中圖像的正負(fù)，然后在圖像為負(fù)時(shí)跳過(guò)解碼器模型，該方法可以加速模型的求解。Fan等人[27]通過(guò)卷積神經(jīng)網(wǎng)絡(luò)集合產(chǎn)生初始預(yù)測(cè)圖，然后使用骨架提取算法對(duì)其進(jìn)行優(yōu)化。Xiang等人[28]提出一種金字塔模塊，利用空間和通道注意力模塊提取語(yǔ)義信息和完善的裂縫特征。Yin等人[29]連接不同層的特征圖，同時(shí)在主干中引入空洞卷積以擴(kuò)大感受野，從而提升模型對(duì)不同形態(tài)路面缺陷的表征能力，且不增加額外計(jì)算量。參考文獻(xiàn)KasekoMohamedS.,RitchieStephenG.Aneuralnetwork-basedmethodologyforpavementcrackdetectionandclassification[J].Pergamon,1993,1(4):275-291.LiuF,XuG,YangY,etal.Novelapproachtopavementcrackingautomaticdetectionbasedonsegmentextending[C].2008InternationalSymposiumonKnowledgeAcquisitionandModeling,Wuhan,China,2008:610-614.LiQ,LiuX.Novelapproachtopavementimagesegmentationbasedonneighboringdifferencehistogrammethod[C].2008CongressonImageandSignalProcessing,Sanya,China,2008,2:792-796.孟喬.瀝青路面裂紋檢測(cè)算法研究[D].陜西:長(zhǎng)安大學(xué),2010.TangJ,GuY.Automaticcrackdetectionandsegmentationusingahybridalgorithmforroaddistressanalysis[C].2013IEEEInternationalConferenceonSystems,Manchester,England,2013:3026-3030.OliveiraH,CorreiaPL.Automaticroadcracksegmentationusingentropyandimagedynamicthresholding[C].200917thEuropeanSignalProcessingConference,Glasgow,England,2009:622-626.徐威,唐振民,呂建勇.基于圖像顯著性的路面裂縫檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2013,18(01):69-77.LimRS,LaHM,ShanZ,etal.Developingacrackinspectionrobotforbridgemaintenance[C].2011IEEEInternationalConferenceonRoboticsandAutomation,Huangshan,China,2011:6288-6293.張亞軍,齊杏林,董成基.基于機(jī)器視覺(jué)的槍彈鋼芯自動(dòng)檢測(cè)系統(tǒng)[J].兵工自動(dòng)化,2012,31(07):8-11.王天河,侯建軍.基于機(jī)器視覺(jué)和姿態(tài)檢測(cè)的循跡智能車(chē)[J].兵工自動(dòng)化,2012,31(08):82-85.王大千.基于機(jī)器視覺(jué)的醫(yī)藥液體制劑異物檢測(cè)算法研究[D].南京:南京大學(xué),2011.BabenkoP.Visualinspectionofrailroadtracks[J].Dissertations&Theses-Gradworks,2009,3(4):14–16.HuY,ZhaoC,WangH.Automaticpavementcrackdetectionusingtextureandshapedescriptors[J].IETETechnicalReview,2010,27(5):398-405.CordA,ChambonS.AutomaticroaddefectdetectionbytexturalpatternrecognitionbasedonAdaBoost[J].Computer‐AidedCivilandInfrastructureEngineering,2012,27(4):244-259.HuY,ZhaoC.AnovelLBPbasedmethodsforpavementcrackdetection[J].JournalofpatternRecognitionresearch,2010,5(1):140-147.李江.基于圖像的道路裂縫識(shí)別算法的研究[D].武漢:華中科技大學(xué),2013.劉換平.車(chē)載路面裂紋檢測(cè)系統(tǒng)圖像標(biāo)定與裂紋辨識(shí)方法研究[D].長(zhǎng)春:吉林大學(xué),2016.AmhazR,ChambonS,IdierJ,etal.Automaticcrackdetectionontwo-dimensionalpavementimages:Analgorithmbasedonminimalpathselection[J].IEEETransactionsonIntelligentTransportationSystems,2016,17(10):2718-2729.ZouQ,CaoY,LiQ,etal.CrackTree:Automaticcrackdetectionfrompavementimages[J].PatternRecognitionLetters,2012,33(3):227-238.WangX,HuZ.Grid-basedpavementcrackanalysisusingdeeplearning[C].20174thInternationalConferenceonTransportationInformationandSafety(ICTIS),Banff,Canada,2017:917-924.GopalakrishnanK,KhaitanSK,ChoudharyA,etal.Deepconvolutionalneuralnetworkswithtransferlearningforcomputervision-baseddata-drivenpavementdistressdetection[J].ConstructionandBuildingMaterials,2017,157:322-330.FanZ,WuY,LuJ,etal.Automaticpavementcrackdetectionbasedonstructuredprediction