基于YOLOX-MobileNetV3模型的路面病害智能识别研究

摘要

目前处理探地雷达(GroundPenetrating Radar,GPR)数据主要依赖于人工,容易造成病害识别误判、漏判率大、速度慢等问题,因此GPR智能目标识别已成为近几年的研究热点。本文提出基于卷积神经网络中的YOLOX-MobileNetV3模型来实现路面病害自动识别,利用三维数据的高信息量和深度学习智能提取特征的优势,实现路面病害的智能化识别。首先对三维探地雷达得到的GPR图片进行预处理,然后以3∶1的训练集和测试集数量比例对数据进行3轮训练和测试,并利用平均精确度、全类平均精确度、精确度、召回率、F1值、平均漏检率等指标来评价3次训练和测试的结果。结果表明:YOLOX-MobileNetV3模型的训练损失权重平均为5.014,测试准确率平均为61.35%。该模型识别路面结构病害尤其是裂缝、层间黏结不良的准确率较高。同时随着训练与测试轮数的增加,其精确度也会随之增加,召回率会随之减小。由此可见,YOLOX-MobileNetV3模型能够实现路面病害自动识别。