同济大学智能交通新兴计算与感知研究课题组，在JCR一区期刊International Journal of Pavement Engineering发表了由杜豫川、潘宁、徐子豪、邓富文、沈煜、康华撰写的研究论文“Pavement distressdetection and classification based on YOLO network”。路面病害的检测和分类评估在路面管养中起着十分重要的作用，然而过去的路面病害检测非常依赖于人工手段，限制了其在大范围、高频率的路面质量检测中的使用。因此本研究中，采用基于深度学习的目标检测框架YOLO网络进行自动的检测和分类。通过高速工业数字相机对路面视频信息进行拍摄采集，采集得到高分辨率的路面图像，然后进行统一标准化的标定，形成了20余万张标签化的数据集可作为模型输入，并采用机器视觉技术提取路表面材质的形态特征。路面病害主要表征为路表面的各种损坏、变形及其它缺陷。网络通过准确提取路表面材质的形态特征，采用深度学习的方法寻找其与路面病害的对应关系，从而输出路面病害的可能位置框及其分类。选用Precision-recall和Detection error tradeoff (DET) 曲线对不同训练样本量下的模型结果进行对比分析，随着训练集中样本量的增加，模型的效果也逐步提高，可达80%以上的准确率。研究中还探讨了模型在各种光照条件下的适用性，结果表明，光照条件越良好，检测的准确率越高。因此得出结论，所提出的基于YOLO网络的方法能够实现对路面病害进行检测和分类，可大大降低人工作业等传统方法的成本，而且处理速度极快，每秒可处理40余张图片，该方法能够满足道路管养对路面病害检测日益增长的需求，并可充分利用来自路面图像的丰富信息，具有很好的应用前景。

论文链接：https://www.tandfonline.com/doi/full/10.1080/10298436.2020.1714047