一种轻量级的SSD道路裂缝检测算法

王博，李齐，刘皎

（商洛学院电子信息与电气工程学院/商洛市人工智能研究中心，陕西商洛 726000）

路面裂缝可能衍生出其他更为严重的次生病害，严重的可能会导致安全事故。因此，需要对路面裂缝进行及时地发现和修复，从而防止危害进一步扩大。对路面裂缝进行快速、准确的检测是路面养护工作中最为重要的任务之一。

在过去的几十年里，许多研究人员一直致力于研究基于传统非深度学习的传统裂缝检测方法[1-2]。这些方法主要分为五类：小波变换[3]、图像阈值[4-5]、人工提取特征和分类[6-7]、基于边缘检测的方法[8]、基于最小路径的方法[9]。这些方法在一定程度上实现了路面图像中裂缝病害的识别，但仍然存在一些问题：多数算法仍然采用基于主动特征提取的方式对裂缝信息进行提取，提取的过程相对繁琐；现有大部分基于图像处理的算法，对于不同数据源得到的图像，普适性较低，环境因素影响裂缝识别算法的稳定性能。

近年来，国内外一些学者尝试将深度学习方法应用到裂缝检测任务中。目前基于深度学习的主流目标检测方法主要以Rcnn[10]、Faster-rcnn[11]和fasterRcnn[12]为代表的two-stage目标检测模型和以YOLO[13]和SSD[14]系列为代表的one-stage目标检测模型。Zhang等[15]提出了一种相对较浅的神经网络，由四个卷积层和两个全连通层组成，对裂缝图像进行分类。将深度学习的方法与基于手工特征的方法进行比较，证明了深度学习中特征提取的优势。Pauly[16]将深度神经网络应用于裂缝和非裂缝图像的分类，同时证明了深度神经网络的优越性。……