TY -的A2 Alexandridis Alex AU - Naddaf-Sh M-Mahdi盟——Hosseini SeyedSaeid盟——张,京盟——刹车,尼古拉斯·a . AU - Zargarzadeh哈桑PY - 2019 DA - 2019/09/29 TI -实时道路裂缝映射使用卷积神经网络优化SP - 2470735六世- 2019 AB -测量和路面损坏映射完成巷道当局量化战略预防局部和结构损伤水平或康复行动。未能一次预防性或康复行动和控制危机传播可能导致严重的结构性和经济损失的资产要求完成重建。连续和计算机辅助测量措施不仅可以消除人为错误分析,识别、定义、和映射路面表面祸患,还可以提供一个数据库对道路的损坏模式及其位置。数据库可用于及时获得的最大耐久性沥青道路维修和维护的最低成本。介绍了自主测量计划,收集、分析和基于图像映射遇险实时数据。一个描述性的方法是考虑识别裂缝从收集图片使用卷积神经网络(CNN)分类几种类型的裂缝。通常,CNN-based计划需要一个相对较大的处理能力在图像实时检测所需的对象。然而,这项工作的可移植性目标需要利用轻量级的处理单元。为此,美国有线电视新闻网的培训由贝叶斯优化算法优化(BOA)达到最大精度和最小的处理时间与最低层神经网络。首先,数据库组成的不同类型的裂缝压力类型如纵向、横向、鳄鱼裂缝,以不同角度拍摄,准备。 Then, the database was used to train a CNN whose hyperparameters were optimized using BOA. Finally, a heuristic algorithm is introduced to process the CNN’s output and produce the crack map. The performance of the classifier and mapping algorithm is examined against still images and videos captured by a drone from cracked pavement. In both instances, the proposed CNN was able to classify the cracks with 97% accuracy. The mapping algorithm is able to map a diverse population of surface cracks patterns in real time at the speed of 11.1 km per hour. SN - 1076-2787 UR - https://doi.org/10.1155/2019/2470735 DO - 10.1155/2019/2470735 JF - Complexity PB - Hindawi KW - ER -