近年來,隨著計算機(jī)計算性能的提高,機(jī)器學(xué)習(xí)開始被大量地應(yīng)用各個領(lǐng)域的研究當(dāng)中,其中傳統(tǒng)的機(jī)器學(xué)習(xí)算法在手勢識別、手寫數(shù)字識別能夠達(dá)到很好的效果,但是在傳統(tǒng)的土木行業(yè)中,由于混凝土路面裂縫出現(xiàn)特征隨機(jī)性大,圖像特征提取困難,降維困難,在高維度樣本的條件下用傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行裂縫識別,準(zhǔn)確率較低,與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比,在高維度樣本量大的條件下,深度學(xué)習(xí)在準(zhǔn)確率上更加具有優(yōu)勢,其中卷積神經(jīng)網(wǎng)絡(luò)CNN是具有代表性的深度學(xué)習(xí)算法,在圖像檢測領(lǐng)域受到廣泛的應(yīng)用。因此,本文從特征提取與機(jī)器學(xué)習(xí)的原理出發(fā),對比了多種特征提取算法,對裂縫圖片做預(yù)處理,介紹了傳統(tǒng)的機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法,并對使用了傳統(tǒng)的機(jī)器學(xué)習(xí)方法SVM與深度學(xué)習(xí)算法CNN對預(yù)處理后混凝土裂縫圖片進(jìn)行訓(xùn)練檢測識別,最后開發(fā)了混凝土路面裂縫檢測用戶圖形界面程序。本文主要的工作內(nèi)容:(1)裂縫樣本的獲取與預(yù)處理:設(shè)計了裂縫拍攝過程,將所得裂縫圖片拷貝成4組,分別通過Laplacian算子、Sobel算子、Canny算子分別對圖片進(jìn)行特征提取處理,剩下一組只做灰度化處理來作為原生對比組,結(jié)合網(wǎng)上數(shù)據(jù)集得到4組訓(xùn)練樣本集與測試樣本集。(2)基于傳統(tǒng)機(jī)器學(xué)習(xí)的SVM算法對裂縫檢測識別:分別使用線性核函數(shù)與RBF核函數(shù)的SVM算法對4組訓(xùn)練樣本進(jìn)行訓(xùn)練,使用對應(yīng)的4組測試樣本進(jìn)行裂縫檢測。(3)基于深度學(xué)習(xí)的CNN算法對裂縫檢測識別:使用基于卷積神經(jīng)網(wǎng)絡(luò)inception V3模型通過遷移學(xué)習(xí)的方法對4組訓(xùn)練樣本與測試樣本進(jìn)行裂縫檢測。并且與傳統(tǒng)的機(jī)器學(xué)習(xí)方法做對比分析。(4)開發(fā)基于CNN裂縫檢測平臺:將機(jī)器學(xué)習(xí)、用戶圖形界面、圖像處理三者結(jié)合,開發(fā)了具有良好擴(kuò)展性的裂縫檢測平臺,最后結(jié)合本程序提出對路面健康狀況進(jìn)行評估的流程。
【學(xué)位單位】：廣州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U418.6
【部分圖文】：

基于機(jī)器學(xué)習(xí)混凝土路面裂縫檢測算法研究第一章 緒論 研究背景和意義公路交通是國民經(jīng)濟(jì)發(fā)展的重要基礎(chǔ)設(shè)施，交通運(yùn)輸?shù)陌l(fā)展加強(qiáng)了各個城市之間系，從而促進(jìn)了各行各業(yè)的經(jīng)濟(jì)發(fā)展，而隨著國家的經(jīng)濟(jì)發(fā)展又會大量的修建道路來，我國公路里程和公路密度一直在持續(xù)上漲，截至 2017 年底我國公路總里程已 470 萬公里，公路密度超過 49 公里/百平方公里[1]。如圖 1-1 所示

圖 1-2 美國 PCES 系統(tǒng)近年來，加拿大 Roadware 公司研發(fā) ARAN 路面裂縫自動評價系統(tǒng)[13]，如圖 1-3 所示，這是一套比較成熟完整的裂縫識別系統(tǒng)，該系統(tǒng)解決了之前裂縫系統(tǒng)不能在白天工作和只能低速運(yùn)行的難題，它可以在高達(dá) 80km/h 的車速下全天候工作,但是由于裂縫檢出率不理想設(shè)備昂貴并沒有過多投入生產(chǎn)。隨著計算機(jī)硬件的發(fā)展，攝像機(jī)技術(shù)發(fā)展迅速，結(jié)合著計算機(jī)視覺技術(shù)，不少國家都研發(fā)出自己的裂縫檢測系統(tǒng)，其中、美國威林克公司、加拿大的 G.I.ETechnology 公司以及澳大利亞 ARRB 研究所都研發(fā)出自己的路面檢測系統(tǒng)。

圖 1-2 美國 PCES 系統(tǒng)近年來，加拿大 Roadware 公司研發(fā) ARAN 路面裂縫自動評價系統(tǒng)[13]，如圖 1-3 所示，這是一套比較成熟完整的裂縫識別系統(tǒng)，該系統(tǒng)解決了之前裂縫系統(tǒng)不能在白天工作和只能低速運(yùn)行的難題，它可以在高達(dá) 80km/h 的車速下全天候工作,但是由于裂縫檢出率不理想設(shè)備昂貴并沒有過多投入生產(chǎn)。隨著計算機(jī)硬件的發(fā)展，攝像機(jī)技術(shù)發(fā)展迅速，結(jié)合著計算機(jī)視覺技術(shù)，不少國家都研發(fā)出自己的裂縫檢測系統(tǒng)，其中、美國威林克公司、加拿大的 G.I.ETechnology 公司以及澳大利亞 ARRB 研究所都研發(fā)出自己的路面檢測系統(tǒng)。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐歡;李振璧;姜媛媛;黃劍波;;基于OpenCV和改進(jìn)Canny算子的路面裂縫檢測[J];計算機(jī)工程與設(shè)計;2014年12期

2 王行甫;陳家偉;;基于高斯核的SVM的參數(shù)選擇[J];計算機(jī)系統(tǒng)應(yīng)用;2014年07期

3 陳利華;董志學(xué);;基于Android的裂縫寬度檢測系統(tǒng)設(shè)計實(shí)現(xiàn)[J];計算機(jī)工程與設(shè)計;2013年09期

4 沈照慶;彭余華;舒寧;;一種基于SVM的路面影像損傷跨尺度識別方法[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2013年08期

5 張慧敏;柴毅;;支持向量機(jī)多類分類的數(shù)字調(diào)制方式識別[J];重慶大學(xué)學(xué)報;2011年12期

6 樊海瑋;張國翊;丁愛玲;謝昌榮;徐婷;;BP改進(jìn)算法及其在路面裂縫檢測中的應(yīng)用[J];長安大學(xué)學(xué)報(自然科學(xué)版);2010年01期

7 瞿子易;周文;羅鑫;戴建文;;基于粒子群和支持向量機(jī)的裂縫識別[J];石油與天然氣地質(zhì);2009年06期

8 啜二勇;;國內(nèi)路面自動檢測系統(tǒng)研究歷程及展望[J];中國高新技術(shù)企業(yè);2009年19期

9 啜二勇;;國外路面自動檢測系統(tǒng)發(fā)展綜述[J];交通標(biāo)準(zhǔn)化;2009年17期

10 伯紹波;閆茂德;孫國軍;賀昱曜;;瀝青路面裂縫檢測圖像處理算法研究[J];微計算機(jī)信息;2007年15期

相關(guān)博士學(xué)位論文 前1條

1 趙吉廣;基于視頻圖像的路面性能參數(shù)采集方法研究[D];東南大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 王鵬;基于無人機(jī)視頻的橋梁裂縫識別方法研究[D];華南理工大學(xué);2018年

2 狄亞平;路面裂縫識別算法研究[D];鄭州大學(xué);2018年

3 羅瑞;基于圖像處理的路面裂縫檢測算法研究[D];安徽工程大學(xué);2017年

4 寇瀟;基于深度學(xué)習(xí)的橋梁裂縫檢測算法研究[D];西安電子科技大學(xué);2017年

5 王婷婷;公路路面裂縫檢測與識別技術(shù)研究[D];大連海事大學(xué);2017年

6 郭慧峰;基于卷積神經(jīng)網(wǎng)絡(luò)的12306驗(yàn)證碼識別[D];華南理工大學(xué);2017年

7 王怡新;基于形態(tài)學(xué)的SVM—Adaboost裂縫分類研究[D];長安大學(xué);2017年

8 董欽;路面裂縫圖像檢測識別系統(tǒng)研究[D];華東交通大學(xué);2014年

9 王瑋華;基于圖像處理技術(shù)的橋梁裂縫檢測[D];長安大學(xué);2013年

10 宋平麗;基于視頻圖像的橋梁裂縫檢測[D];武漢理工大學(xué);2010年

本文編號：2833064