基于改进对比学习的道路裂缝图像分类

道路裂缝是路面破损的重要组成部分,而道路裂缝分类可以对道路养护策略的制定进行针对性的安排.针对人工标注分类耗时长,效率低等问题,本文提出了一个基于对比学习的道路裂缝图像分类方法,在传统的对比学习框架中,对特征提取部分进行改进,使得模型对细小裂缝的特征更敏感.首先对进行数据增强,其次在特征提取部分对ResNet50的部分进行改进,使用多尺度的方法提取特征;再使用多层感知机(MLP)对提取到的特征进行降维处理,并投影到向量空间;最后使用余弦相似度与用归一化温度标度的交叉熵损失对模型进行优化.实验结果表明,改进后的模型比原模型在裂缝图像上的分类效果提高了0.22%,达到了92.1%,对裂缝图像分类有较好的效果.     

针对单张沥青路面图像中裂缝的高效语义级修复

原始无损路面图像对分析路面损伤演化细节及制定下一步养护方案具有重要意义,而实地采集中无法获取路面裂缝图像对应的初始状态.为了获取其对应的无损路面图像,本文提出了一种基于深度图像先验的无监督沥青路面裂缝图像修复算法,可实现对单张路面图像中裂缝的高效语义级修复.首先采用鲁棒主成分分析算法去除路面裂缝图像表面的竖状条纹噪声.随后,采用最大类间方差法及形态学处理得到裂缝区域的二进制掩码图像.最后,运用提出的深度图像先验修复算法对裂缝区域进行修复得到最终的无损路面图像.在自采集路面裂缝图像数据集上对所提方法进行了评估.实验结果表明,所提方法能够有效实现路面裂缝图像语义级修复,峰值信噪比和结构相似性较传统的方法有了明显提升,平均达到了43.382 3 dB和0.983 4,且兼具高速度.