基于语义分割的沥青路面裂缝智能识别
杨燕泽,王萌,刘诚,徐慧通,张小月

Intelligent identification of asphalt pavement cracks based on semantic segmentation
Yan-ze YANG,Meng WANG,Cheng LIU,Hui-tong XU,Xiao-yue ZHANG
表 4 试验评估指标的汇总
Tab.4 Summary of evaluation indicators for experiment
指标全称 指标说明 计算公式
IOU 交并比:真实分割与系统预测分割结果两个几何之间的比值,IOU越大,表明模型预测到的裂缝与实际图片中的裂缝重合度越高. ${\rm{IOU}} = \dfrac{ {{\rm{TP}}} }{ {({\rm{TP}}+{\rm{FP}}+{\rm{FN}})} }.$
Accuracy 准确率:预测正确的像素数量占实际总像素数量的比例,Accuracy值越大,表明模型在像素预测的正确性上效果更好. ${\rm{Acc}} = \dfrac{ {{\rm{TP}}+{\rm{TN}}} }{ {{\rm{TP}}+{\rm{TN}}+{\rm{FP}}+{\rm{FN}}} }.$
Precision 精确率:针对预测结果而言的,用于衡量模型检测的有多准,一类实际像素个数占模型预测为该类像素的比例,值越大,表明模型在该类的所有预测结果中正确预测的可能性越高. ${\rm{Pr}} = \dfrac{ {{\rm{TP}}} }{ {{\rm{TP}}+{\rm{FP}}} }.$
Recall 召回率:针对原样本而言的,用于衡量模型预测结果有多全面的指标;其含义是在实际为正的样本中被预测为正样本的概率. ${\rm{Re}}=\dfrac{{\rm{TP}}}{{\rm{TP}}+{\rm{FN}}}.$
Fscore F1分数:它以两者同样重要的权重将召回率和精确率加权调和平均,该值越大,表明被正确识别的裂缝像素越多,分割结果越精确,效果越好. ${\rm{F}}1 = \dfrac{ {2{\rm{Pr}}\times {\rm{Re}}} }{ {{\rm{Pr}}+{\rm{Re}}} }.$
Loss 损失函数值:损失函数是表现深度学习模型预测和实际数据差距程度的函数,其值越小,说明模型的鲁棒性越好. ——