隨著交通運輸重要性的增加,對在役橋梁進行低成本、無接觸、不需封閉交通的健康監(jiān)測的問題亟待解決。對此本文提出了基于橋面拍攝的視頻進行車輛自動檢測跟蹤分類的系統(tǒng),該系統(tǒng)利用深度學(xué)習(xí)算法Faster R-CNN對車輛位置進行檢測,通過卡爾曼濾波跟蹤算法和數(shù)據(jù)關(guān)聯(lián)技術(shù)對多目標進行跟蹤,再通過深度卷積神經(jīng)網(wǎng)絡(luò)VGG-16并結(jié)合建立的車輛數(shù)據(jù)信息庫對車輛類型進行識別,從而得到被測橋梁上車輛的基本類型、軸重區(qū)間和實時軌跡。該系統(tǒng)是一種低成本、無接觸、無需封閉交通的識別橋梁車輛荷載的方法,為實現(xiàn)基于非接觸式計算機視覺技術(shù)識別橋梁上車輛荷載及其時空分布奠定了基礎(chǔ),同時為實現(xiàn)新型的非接觸式橋梁結(jié)構(gòu)識別提供了重要的數(shù)據(jù)來源。本文的主要工作內(nèi)容有:（1）建立車輛數(shù)據(jù)信息庫。本文收集和分析了各國關(guān)于車輛分類的規(guī)定,并結(jié)合相關(guān)研究成果,建立了車輛細分類標準。根據(jù)車輛外型與軸重對應(yīng)關(guān)系等相關(guān)參數(shù)將車輛分為12類。在該細分類標準的基礎(chǔ)上,通過收集汽車公告信息,建立了包含車輛軸距區(qū)間、軸重區(qū)間和總重區(qū)間等信息的車輛數(shù)據(jù)庫。（2）訓(xùn)練車輛類型識別卷積神經(jīng)網(wǎng)絡(luò)模型。本文利用建立好的車輛數(shù)據(jù)庫對AlexNet和VGG-16兩... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：114 頁

【學(xué)位級別】：碩士

【部分圖文】：

北京靜載試

特征對應(yīng)用領(lǐng)域的數(shù)據(jù)訓(xùn)練一個新的卷積神經(jīng)網(wǎng)絡(luò)或者分類器[99]。遷移學(xué)習(xí)能夠改善卷積神經(jīng)網(wǎng)絡(luò)在小樣本數(shù)據(jù)情況下訓(xùn)練不足的問題，減少網(wǎng)絡(luò)訓(xùn)練損耗，進一步將卷積神經(jīng)網(wǎng)絡(luò)擴大應(yīng)用到新的領(lǐng)域。在卷積神經(jīng)網(wǎng)絡(luò)中，最常使用的遷移學(xué)習(xí)方法是微調(diào)（Fine-tuning），本文亦使用微調(diào)方法來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。3.2.6過擬合問題過擬合指在訓(xùn)練過程中模型參數(shù)過度擬合訓(xùn)練數(shù)據(jù)，影響了模型在測試數(shù)據(jù)集上的泛化能力的現(xiàn)象。此時模型在訓(xùn)練數(shù)據(jù)集上能夠很好的擬合數(shù)據(jù)，但在除訓(xùn)練數(shù)據(jù)外的數(shù)據(jù)集上得到的結(jié)果卻不好，示意圖如圖3.5所示。圖3.5過擬合現(xiàn)象當模型訓(xùn)練的時間過長或訓(xùn)練數(shù)據(jù)集圖片的數(shù)量很少時，常出現(xiàn)過擬合現(xiàn)象，模型對于訓(xùn)練集的數(shù)據(jù)可以完美模擬，對測試集的預(yù)測能力卻較差。出現(xiàn)過擬合常見的原因有：訓(xùn)練集樣本中存在錯誤；樣本干擾過大；參數(shù)太多，模型復(fù)雜度太高和權(quán)值迭代次數(shù)過多，擬合了訓(xùn)練數(shù)據(jù)中的噪聲和沒有代表性的特征等。減少過擬合常用的方法有正則化、earlystopping、Dropout和數(shù)據(jù)增強等。正則化是指通過引入額外新信息來過擬合問題，正則化可以保持模型簡單。earlystopping是指在模型對訓(xùn)練數(shù)據(jù)集迭代過程中，發(fā)現(xiàn)迭代即將收斂則停止迭代來防止過擬合。Dropout是指對于某一層神經(jīng)元，通過定義的概率來隨機刪除一些神經(jīng)元，能夠減少神經(jīng)元之間的相互依賴，確保提取出的特征相互獨立。數(shù)據(jù)增強指對數(shù)據(jù)集進行變換從而增加訓(xùn)練集數(shù)量，訓(xùn)練集越多，過擬合的概率越

碩士學(xué)位論文39絡(luò)，整個網(wǎng)絡(luò)結(jié)構(gòu)共包含8個學(xué)習(xí)層，其中5層卷積層和3層全連接層。AlexNet網(wǎng)絡(luò)結(jié)構(gòu)如圖3.6所示。輸入層卷積層1卷積層2卷積層3卷積層4卷積層5全連接層分類器圖3.6AlexNet結(jié)構(gòu)[31]網(wǎng)絡(luò)輸入層為227×227的彩色圖像，卷積層1包含卷積層和池化層，卷積層采用96個11×11×3的卷積核，步長為4，無填充，激活函數(shù)為ReLU；池化層采用最大池化，池化核大小為3×3，步長為2，無填充。卷積層2以第一層卷積層的輸出作為輸入，其卷積層采用256個5×5×96的卷積核，填充為2，步長為1；池化層為大小3×3，步長為2的最大池化。卷積層3的卷積核大小為3×3×256共384個，填充為1，步長為1。卷積層4的卷積核為3×3×384共384個。卷積層5包含卷積層和池化層，卷積層采用256個3×3×384的卷積核，填充和步長均為1；池化層則采用3×3卷積核，步長為2的最大池化。第六層、第七層結(jié)構(gòu)相同，是含有4096個神經(jīng)元的全連接層，第八層為1000個神經(jīng)元的Softmax層。這樣的結(jié)構(gòu)使得AlexNet需要學(xué)習(xí)的參數(shù)量達到了6000萬個，計算量極大。圖3.7非線性激活函數(shù)[41]為了提高網(wǎng)絡(luò)的訓(xùn)練速度，AlexNet首次使用了新的激活函數(shù)。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)常采用Tanh或Sigmoid作為激活函數(shù)，但當網(wǎng)絡(luò)層數(shù)過多時，傳播梯度隨著數(shù)量增加變小，使得網(wǎng)絡(luò)收斂緩慢。AlexNet的激活函數(shù)采用了ReLU函數(shù)而不是傳統(tǒng)的Tanh或Sigmoid等飽和非線性函數(shù)，幾種函數(shù)曲線如圖3.7，ReLU函數(shù)梯度總是0或1，隨著輸入變大輸出不會趨于飽和，這些特性使得使用ReLU函數(shù)激活

【參考文獻】：
期刊論文
[1]2017年交通運輸行業(yè)發(fā)展統(tǒng)計公報[J].   中國物流與采購. 2018(11)
[2]橋梁倒塌事故問題分析[J]. 蔡唐濤,賈彥武.  筑路機械與施工機械化. 2018(05)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[4]基于南京長江三橋的車輛荷載模型[J]. 林詩楓,黃僑,任遠,樊葉華,楊娟.  東南大學(xué)學(xué)報(自然科學(xué)版). 2016(02)
[5]結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)科學(xué)與工程[J]. 李惠,鮑躍全,李順龍,張東昱.  工程力學(xué). 2015(08)
[6]非路面式橋梁動態(tài)稱重研究綜述[J]. 任偉新,左小晗,王寧波,何立翔.  中國公路學(xué)報. 2014(07)
[7]遷移學(xué)習(xí)研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報. 2015(01)
[8]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[9]基于車-橋耦合振動理論的移動荷載識別[J]. 韓萬水,李彥偉,喬磊,趙永禎,杜群樂.  中國公路學(xué)報. 2013(01)
[10]公路鋼橋疲勞設(shè)計荷載標準研究[J]. 周泳濤,鮑衛(wèi)剛,翟輝,劉延芳.  土木工程學(xué)報. 2010(11)

博士論文
[1]公路車輛動態(tài)荷載測量及車型分類技術(shù)的研究[D]. 張文斌.哈爾濱工業(yè)大學(xué) 2009

碩士論文
[1]基于數(shù)字圖像處理的橋梁結(jié)構(gòu)裂縫與位移測量研究[D]. 裴耀東.湖南大學(xué) 2017
[2]基于機器視覺的橋梁健康監(jiān)測與狀態(tài)評估[D]. 董傳智.浙江大學(xué) 2016
[3]我國車輛分類方法和標準研究與分析[D]. 閆志強.大連理工大學(xué) 2014



本文編號：3004582