x-min(x) max(x)-min(x) 五、模型训练与结果分析 本文使用基于 tensorflow-gpu的 keras深度学习开发平台,在 Ubuntu16.04环境下进行 计算机采用 Intel(R) Core i7-6850K处理器, Ge Force GTⅪl080TI显卡。为加速模型训练, 训练过程采用adam优化器, batch size=16,设置 epoch=60。为使模型训练更加充分,训练 过程设置动态学习方式,初始学习率0.001。模型训练过程的loss曲线、val_loss曲线和学 习率变化如图9所示 0010 leaming rate 00008 00002 004 202530 图9训练过程损失曲线与学习率变化曲线 根据损失曲线可以看出,模型训练在第50个 epoch时达到稳定。为验证本文方法的有效 性,采用阈值分割、FCN进行对比实验。阈值法分割裂缝是一种确定图像分割阈值的算法。 该方法根据裂缝图像的灰度特性,将图像分成背景和前景两部分。阈值法通过确定阈值,使 前景与背景图像的类间方差最大,实现路面裂缝的分割。FCN( Fully Convolutional Networks) 通过采用全卷积网络代替全连接层的形式,对图像中的像素点进行分类,从而实现裂缝的分 割 对于裂缝分割的二分类问题,采用像素级的精确率( Precision)、召回率( Recal1)和 F- Score作为评价指标。精确率和召回率根据图像像素值二分类的真阳性率( True positive Rate,TPR)、假阳性率( False positive rate,FPR和假阴性率( False Negative Rate,FNR) 得到 Precision= TPR Recall= TPR+FPR TPR+ FNR Fl- Score是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的 准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均。 F1-Score= 2× Precision x recall Precision+ Recall 本文的方法和阈值法、FCN的部分分割结果如图10所示* min( ) max( ) min( ) x x x x x − = − 五、模型训练与结果分析 本文使用基于tensorflow-gpu的keras深度学习开发平台，在Ubuntu16.04环境下进行。 计算机采用Intel(R) Core i7-6850K处理器，GeForce GTX1080TI显卡。为加速模型训练， 训练过程采用adam优化器，batch_size=16，设置epoch=60。为使模型训练更加充分，训练 过程设置动态学习方式，初始学习率0.001。模型训练过程的loss曲线、val_loss曲线和学 习率变化如图9所示。 图9 训练过程损失曲线与学习率变化曲线 根据损失曲线可以看出，模型训练在第50个epoch时达到稳定。为验证本文方法的有效 性，采用阈值分割、FCN进行对比实验。阈值法分割裂缝是一种确定图像分割阈值的算法。 该方法根据裂缝图像的灰度特性,将图像分成背景和前景两部分。阈值法通过确定阈值，使 前景与背景图像的类间方差最大，实现路面裂缝的分割。FCN(Fully Convolutional Networks) 通过采用全卷积网络代替全连接层的形式，对图像中的像素点进行分类，从而实现裂缝的分 割。 对于裂缝分割的二分类问题，采用像素级的精确率(Precision)、召回率(Recall)和 F1-Score作为评价指标。精确率和召回率根据图像像素值二分类的真阳性率(True Positive Rate, TPR)、假阳性率(False Positive Rate, FPR)和假阴性率(False Negative Rate, FNR) 得到。 TPR Precision TPR FPR = + TPR Recall TPR FNR = + F1-Score是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的 准确率和召回率。F1分数可以看作是模型准确率和召回率的一种加权平均。 2 1 Precision Recall F Score Precision Recall × × − = + 本文的方法和阈值法、FCN的部分分割结果如图10所示