交通抛洒物跟踪与路面裂缝检测算法毕业论文【附代码+数据】

最新推荐文章于 2024-12-17 13:41:09 发布

坷拉博士

最新推荐文章于 2024-12-17 13:41:09 发布

阅读量1.8k

点赞数 17

文章标签：算法

本文链接：https://blog.csdn.net/checkpaper/article/details/142593317

版权

✅博主简介：本人擅长建模仿真、论文写作与指导，项目与课题交流。项目合作可私信或扫描文章底部二维码。

在交通道路上，抛洒物对行车安全构成了极大的威胁，这些物体往往体积小、种类多样，且分布不规则，导致其在检测和跟踪时面临巨大的挑战。传统的人工采集和维护方式在面对这些问题时效率较低，且难以满足道路实时监控与维护的需求。为了应对这种复杂情况，本文设计了一个基于Jetson nano控制器的道路抛洒物数据采集系统。该系统利用1080P全景摄像头，能够在复杂的交通环境中实时采集视频数据，并将抛洒物逐帧分解为静态图像，从而形成一个专门的道路抛洒物数据集。

本文收集了包括橘子皮、小纸箱、3D打印圆柱、空水瓶、纸巾、小石块等六类小型和中小型难以被检测的抛洒物。抛洒物通常以随机位置出现，大小和形状各异，难以通过常规的图像处理方法识别。通过高频采样，我们将视频数据转化为大量图片，并利用标注工具对存在抛洒物的图片进行标注，生成了最终的道路抛洒物数据集。此数据集不仅包含了道路表面上的抛洒物，还捕捉到了抛洒物在不同天气、光照条件下的表现形式。为后续算法提供了丰富的数据支持，确保算法在不同环境下都能保持高效的检测能力。

(2) 无人机采集的道路裂缝图像数据集构建
道路裂缝是影响道路寿命和行车安全的关键因素，早期检测和修复裂缝对于维持道路的整体质量至关重要。为了有效解决传统人工巡检存在的局限性，本文通过无人机搭载高分辨率摄像设备，采集了不同类型道路的裂缝图像，构建了一个多场景的道路裂缝数据集。

采用DJI Mavic 3无人机，搭载2000万像素的4/3CMOS哈苏相机，在城市道路、国家干线公路、校园内部道路等不同场景下进行低空飞行拍摄。我们共获得了203张分辨率为5280×3956的原始图像，并将这些图像进行切割处理，最终生成了12569张大小为512×512的裂缝图像。这些图像涵盖了不同形态、宽度、深度的裂缝，从细小的表面裂缝到较严重的结构性损坏，确保了数据集的多样性和代表性。在数据集中，经过仔细标注，挑选出了2056张带有明显裂缝的图像，作为训练和测试集使用。这个数据集被命名为UMSC（Unmanned Aerial Vehicle Multiple Scene Cracks），为后续算法的研究和验证提供了坚实的基础。

(3) 基于物影匹配算法的抛洒物跟踪方法
交通道路上的抛洒物通常形态不规则，容易与背景混淆，如何有效地对这些小型目标进行检测和跟踪是一大难点。为了解决这一问题，本文提出了一种基于物影匹配算法的道路小目标跟踪方法——OSMA（Object-Shadow Matching Algorithm）。该算法利用了物体与其影子在连续视频帧中的双轮廓特征，来有效地追踪抛洒物的运动轨迹。

具体实现上，首先采用混合高斯模型对道路背景进行建模，从而分离出前景中的动态物体。通过形态学操作如膨胀和腐蚀，进一步精确前景物体的边缘轮廓。在抛洒物移动时，其物体与影子会在前景中产生两条独立的轮廓线，本文通过连续帧的轮廓匹配算法，识别出这种物影配对特征，将其标记为潜在的抛洒物。随后，通过多帧质心偏移法判断这些潜在目标是否处于静止状态，以避免误判运动中非抛洒物的情况。最终，算法通过对运动中的抛洒物进行位置判定和帧间轮廓匹配，实现了道路小目标的逐帧跟踪。

实验结果表明，该算法在不同光照和复杂背景条件下均表现出较高的鲁棒性。即便在动态环境中，算法也能够准确地识别并跟踪抛洒物，其跟踪精度达到了98%。与传统的物体跟踪算法相比，OSMA算法更具灵活性，适应性更强，能够有效解决道路小目标检测中的难点问题。

(4) 基于GC-YOLOv5s的道路裂缝检测网络
为了实现无人机采集的道路裂缝图像的高效检测，本文设计了一种改进的GC-YOLOv5s裂缝检测网络。原始的YOLOv5s模型在检测不规则目标（如裂缝）时存在定位不准的问题，尤其在面对裂缝的长条形和复杂结构时，表现出明显的不足。为此，本文对原有模型进行了多项改进。

首先，将YOLOv5s中的定位损失函数CIOU替换为GIOU（Generalized Intersection over Union）损失函数，该函数更适用于不规则目标的检测，尤其是在裂缝这种形态复杂且难以捉摸的目标中，表现出了更好的效果。此外，本文还引入了焦点损失函数，以解决裂缝图像中的难易样本不平衡问题。为了进一步提高模型的特征表达能力，本文将YOLOv5s原有的上采样层替换为反卷积层，并引入Ghost模块替代卷积块，以降低网络的参数量。在保持检测精度的同时，成功减少了模型的计算资源需求。

% 道路抛洒物检测与跟踪算法示例代码

% 初始化背景减除器
backgroundSubtractor = vision.ForegroundDetector('NumGaussians', 5, 'LearningRate', 0.01);

% 视频读取
videoReader = VideoReader('road_spillage_video.mp4');
frameCount = 0;

% 创建视频播放器
videoPlayer = vision.VideoPlayer;

while hasFrame(videoReader)
    frame = readFrame(videoReader);
    frameCount = frameCount + 1;
    
    % 前景检测
    foregroundMask = backgroundSubtractor(frame);
    
    % 形态学处理
    foregroundMask = imdilate(foregroundMask, strel('square', 3));
    foregroundMask = imerode(foregroundMask, strel('square', 3));
    
    % 检测轮廓
    contours = bwboundaries(foregroundMask, 'noholes');
    
    % 显示检测结果
    imshow(frame);
    hold on;
    for i = 1:length(contours)
        contour = contours{i};
        plot(contour(:, 2), contour(:, 1), 'r', 'LineWidth', 2);
    end
    hold off;
    
    % 播放视频
    step(videoPlayer, frame);
    
    % 中断条件
    if frameCount > 500
        break;
    end
end

release(videoPlayer);