【摘要】：利用傳統(tǒng)圖像處理方法進行路面裂縫識別需要進行大量的圖像預處理工作,效率低下,由于路面圖像的多紋理性、多目標性、弱信號性以及背景復雜性,使得其識別精度不高。針對這些問題,本文在國內外的研究基礎上,提出了一種基于深度學習多模型融合的路面裂縫識別算法。該算法將多個神經網絡進行模型融合,實現(xiàn)了裂縫圖像的準確分類。本文主要研究工作如下:(1)對路面裂縫識別的難點進行分析,有針對性的建立數據集,將大量的具有復雜背景的裂縫圖像包含在數據集中,以提高算法的實用性。為增加數據量、提高模型魯棒性,采用實時的數據增強方法。(2)使用經典的神經網絡模型LeNet-5、AlexNet、VGGNet16在裂縫數據集上進行實驗,并且分別提出了改進策略。對實驗結果進行分析,得出模型復雜度低于裂縫圖像訓練集的結論,需要進一步增加網絡層次,以取得更好的識別效果。(3)對利用殘差網絡ResNet34和ResNet50進行實驗時出現(xiàn)的過擬合現(xiàn)象進行深入分析,提出一種新的殘差塊改進方法,在殘差塊中加入Dropout并且將批量歸一化(Batch normalization)和ReLU激活函數放在卷積層之前,實驗結果表明該方法有效的降低了網絡過擬合。之后降低網絡深度,使用在寬度上有所增加的Inception V3模型,該模型的參數數量只有ResNet50的1/150左右,訓練速度快,泛化能力強,在取得了很好的識別率。(4)對之前進行的大量實驗進行對比分析,提出一種多模型融合的路面裂縫識別算法。在ResNet34、ResNet50、Inception V3的基礎上設計融合模型的網絡結構和算法實現(xiàn)流程,在實驗中取得了高于單一模型的識別效果。證明通過多個不同模型處理數據然后再進入全連接層之前將數據組合,可以降低模型方差,不同模型具有不一樣的復雜度,組合到一起能更好的抽取圖像的泛化特征。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U418.6;TP391.41;TP18

【圖文】：

不同類型的裂縫圖像

復雜背景下的裂縫圖像

【參考文獻】

相關期刊論文 前10條

1 宋宏勛;馬建;王建鋒;崔國麗;;基于雙相機立體攝影測量的路面裂縫識別方法[J];中國公路學報;2015年10期

2 王德方;曾衛(wèi)明;王倪傳;;基于改進K-means算法的不均勻光照下道路裂縫檢測[J];計算機應用與軟件;2015年07期

3 李興龍;;淺談瀝青路面裂縫處治技術[J];科技信息;2014年07期

4 王沖;王葆茜;;瀝青混凝土路面裂縫自動識別方法研究[J];中外公路;2013年06期

5 褚文濤;李鄭明;陸鍵;;路面病害檢測中的裂縫信息快速識別方法研究[J];中外公路;2013年06期

6 董安國;梁苗苗;;基于灰度相關性的裂縫檢測算法[J];計算機應用研究;2013年10期

7 榮婧;潘玉利;;基于圖像的水泥路面裂縫識別方法及應用[J];北京郵電大學學報;2012年06期

8 王興建;秦國鋒;趙慧麗;;基于多級去噪模型的路面裂縫檢測方法[J];計算機應用;2010年06期

9 劉凡凡;徐國愛;肖靖;楊義先;;基于連通域相關及Hough變換的公路路面裂縫提取[J];北京郵電大學學報;2009年02期

10 孫波成;邱延峻;;基于圖像處理的路面裂縫識別研究[J];重慶交通大學學報(自然科學版);2008年01期

相關博士學位論文 前1條

1 樊瑤;基于圖像處理的路面裂縫檢測關鍵技術研究[D];長安大學;2016年

相關碩士學位論文 前9條

1 黃兢輝;智能監(jiān)控與智能門禁安防系統(tǒng)構建[D];廣西大學;2017年

2 李楠;基于多尺度特征分析的路面裂縫自動檢測算法研究與實現(xiàn)[D];長安大學;2017年

3 劉娜;基于卷積神經網絡的行人重識別算法[D];華東師范大學;2017年

4 崔超;高速公路機電系統(tǒng)維護費用分析與研究[D];長安大學;2017年

5 段士雷;層級運動感知編碼及其應用研究[D];合肥工業(yè)大學;2017年

6 任帥;基于路面檢測車圖像的裂縫提取方法研究[D];重慶交通大學;2015年

7 壽質彬;基于神經網絡模型融合的圖像識別研究[D];華南理工大學;2015年

8 盧曉琪;基于數字圖像的干線公路養(yǎng)管信息采集系統(tǒng)研究[D];長安大學;2013年

9 劉德超;基于圖像處理的路面裂紋識別研究[D];長沙理工大學;2009年

，

本文編號：2712497