表2分割结果对比 Precision Recall Fl-Score 阈值法 0.58 0.52 0.55 FCN 0.63 0.78 0.70 本文方法 0.78 0.83 0.80 分析裂缝分割结果,可得如下结论: 阈值分割方法分割裂缝存在较大的误差。阈值分割方法虽然算法简单,但是容易受到路 面噪声的影响。由于路面图像受到光照强度和杂质、孔洞的影响,导致裂缝区域的像素值和 噪声区域像素值存在重叠。阈值的确定受到噪声影响,无法将裂缝区域与背景准确分离,同 分割裂缝连结性较差,因此阈值分割法对于裂缝的分割存在较大的误差 FCN分割方法基本实现了裂缝的分割,但是分割区域不精确。FCN全卷积神经网络使用特 征提取网络提取裂缝特征进行裂缝分割。FCN在传统卷积神经网络的基础上,将全连接层用 卷积层代替,同时使用了上采样方式将特征提取网络提取的小尺寸特征图映射为原始图像大 小。由于FCN直接通过小尺寸特征图进行目标的还原,使其得到的目标区域与原始图像中的 目标区域存在较大的误差。使用FCN得到的裂缝分割图像存在宽度变大的问题,导致分割结 果的不精确 本文提出的裂缝分割方法,对裂缝的分割取得了较好的精度。本方法采用多个残差单元 级联的方式,可以有效提取路面裂缝的形态特征,从而提高了神经网络对裂缝特征的学习效 果。本方法在裂缝的分割过程中结合了大量不同层级、不同尺寸的裂缝特征图,提高了裂缝 区域分割的准确性。同时,本文通过合理的数据增广方式,使训练数据集得到了大量的扩充, 提高了神经网络训练的泛化能力。通过结果分析,本王的方法对裂缝的分割取得了较好的效 六、结语 本文提出了一种基于深度卷积网络的路面裂缝分割方法。该方法通过联合多级残差卷积 结构单元,避免了网络模型在裂缝学习训练过程中的梯度消失和网络退化等问题。通过对路 面裂缝特征的上采样,实现对裂缝区域的分割。在裂缝分割的过程中,通过联合大量不同层 级、不同尺寸的裂缝特征图,提高了裂缝区域分割的准确性。同时,本文通过数据增广,提 高了神经网络训练的泛化能力和鲁棒性。通过对比试验和结果分析,证明了本文提出的裂缝 分割方法的有效性 参考文献 [交通运输部公路科学研究院.JGH20-2017公路技术状况评定标准[S]北京:人民交通出 版社,2017 2]王艳燕沥青路面养护效益评估方法研究卩.公路交通科技(应用技术版 2017(07):160-163表2 分割结果对比 Precision Recall F1-Score 阈值法 0.58 0.52 0.55 FCN 0.63 0.78 0.70 本文方法 0.78 0.83 0.80 分析裂缝分割结果，可得如下结论： 阈值分割方法分割裂缝存在较大的误差。阈值分割方法虽然算法简单，但是容易受到路 面噪声的影响。由于路面图像受到光照强度和杂质、孔洞的影响，导致裂缝区域的像素值和 噪声区域像素值存在重叠。阈值的确定受到噪声影响，无法将裂缝区域与背景准确分离，同 分割裂缝连结性较差，因此阈值分割法对于裂缝的分割存在较大的误差。 FCN分割方法基本实现了裂缝的分割，但是分割区域不精确。FCN全卷积神经网络使用特 征提取网络提取裂缝特征进行裂缝分割。FCN在传统卷积神经网络的基础上，将全连接层用 卷积层代替，同时使用了上采样方式将特征提取网络提取的小尺寸特征图映射为原始图像大 小。由于FCN直接通过小尺寸特征图进行目标的还原，使其得到的目标区域与原始图像中的 目标区域存在较大的误差。使用FCN得到的裂缝分割图像存在宽度变大的问题，导致分割结 果的不精确。 本文提出的裂缝分割方法，对裂缝的分割取得了较好的精度。本方法采用多个残差单元 级联的方式，可以有效提取路面裂缝的形态特征，从而提高了神经网络对裂缝特征的学习效 果。本方法在裂缝的分割过程中结合了大量不同层级、不同尺寸的裂缝特征图，提高了裂缝 区域分割的准确性。同时，本文通过合理的数据增广方式，使训练数据集得到了大量的扩充， 提高了神经网络训练的泛化能力。通过结果分析，本王的方法对裂缝的分割取得了较好的效 果。 六、结语 本文提出了一种基于深度卷积网络的路面裂缝分割方法。该方法通过联合多级残差卷积 结构单元，避免了网络模型在裂缝学习训练过程中的梯度消失和网络退化等问题。通过对路 面裂缝特征的上采样，实现对裂缝区域的分割。在裂缝分割的过程中，通过联合大量不同层 级、不同尺寸的裂缝特征图，提高了裂缝区域分割的准确性。同时，本文通过数据增广，提 高了神经网络训练的泛化能力和鲁棒性。通过对比试验和结果分析，证明了本文提出的裂缝 分割方法的有效性。 参考文献 [1] 交通运输部公路科学研究院. JTG H20-2017公路技术状况评定标准[S]. 北京:人民交通出 版社, 2017. [2] 王艳燕. 沥青路面养护效益评估方法研究[J]. 公路交通科技(应用技术版), 2017(07):160-163