目前瀝青路面病害檢測主要依靠工程車沿道路線行駛,用CCD攝像機采集路面圖像,然后進行集中分析處理,在數據量大的情況下非常耗費人力,尤其面對瀝青道路的日益擴張,路面病害檢測技術亟待提升。有相關研究嘗試采用傳統(tǒng)機器學習方法解決路面病害圖像分類問題,但該類方法以淺層模型為主,一方面模型結構簡單,層次數目少,特征提取主要依靠人工完成,很難挖掘出深層次特征,表達能力受限,分類效果并不理想;另一方面道路病害類型多樣、形態(tài)復雜,采集的路面圖像易受到車道線、光照、陰影等污染,常規(guī)的圖像預處理手段很難適應如此復雜的環(huán)境。隨著人工智能的迅速發(fā)展,基于深度學習的交通領域相關技術智能化受到大量關注,考慮到卷積神經網絡尤其擅長處理圖像分類問題,本文重點基于CNN方法對瀝青路面病害圖像的分類識別進行相關研究。主要研究內容如下:第一,提出基于Mask-RCNN與改進Criminisi的瀝青路面圖像車道線移除方法。以解決含車道線的路面圖像數量較多,容易影響CNN最終分類效果的問題。首先利用Mask-RCNN檢測車道線區(qū)域,依靠檢測出的掩模移除車道線,然后用改進Criminisi算法填充空白區(qū)域,完成車道線移除。對比實... 

【文章來源】：重慶交通大學重慶市

【文章頁數】：77 頁

【學位級別】：碩士

【部分圖文】：

典型瀝青路面病害圖像

MaskR-CNN與改進Criminisi的瀝青路面圖像車道線移除方法9第二章基于MaskR-CNN與改進Criminisi的瀝青路面圖像車道線移除方法2.1引言在采用CNN等人工智能方法對路面圖像實現自動分類識別時，路面圖像中通常會出現白色車道線，車道線區(qū)域亮度偏高，邊沿處存在強烈的灰度跳變，車道線寬度往往大于裂縫寬度，經CNN卷積、池化操作后，對車道線的特征感知強于裂縫，若含車道線的路面圖像數量較多，不僅影響對路面圖像的光照校正，還會影響最后的分類結果。故為了削弱其不良影響，本章首先提出一種車道線移除方法，基本流程如圖2-1所示，利用MaskR-CNN檢出車道線區(qū)域，然后將該區(qū)域移除，采用改進Criminisi方法修復圖像達到移除車道線的目的，為后續(xù)工作奠定基矗圖2-1瀝青路面圖像車道線干擾移除流程圖2.2基于MaskR-CNN的車道線檢測對于車道線檢測，國內外有較多的相關研究，傳統(tǒng)的方法有基于RANSAC算法、基于Hough變換等[22-24]，這類方法抗噪聲性能較好，可以處理檢測目標被遮擋的情況，但泛化性差，需要根據不同的道路場景特點手工調節(jié)參數，一旦道路環(huán)境發(fā)生變化，檢測效果不佳。隨著深度學習技術的出現，深度學習的特征提取過程更智能，提取的特征也更抽象[25-27]。如文獻[26]運用可變形卷積神經網絡提取不同環(huán)境下的道路數據特征，利用模型對車道線進行圖像語義分割，并判斷車道線類型。這類方法通過網絡模型提取多樣本圖像中車道線的顏色、紋理、形狀等特征，比傳統(tǒng)方法更準確的區(qū)分開車道線和背景，檢測效果較好，缺點是車道線被污染與路面背景差異不大時容易漏檢或誤檢。車道線檢測實際上是一個目標檢測問題。2014年，加州大學伯克利分校的RossB.Girshick提出R-CNN算法[28]，其利用選擇性搜索算法與神經網絡相結合的方式，

第二章基于MaskR-CNN與改進Criminisi的瀝青路面圖像車道線移除方法11做取整操作，簡單說來就是ROIAlign消除了ROI池化過程中的量化誤差。相對FasterR-CNN而言，目標定位更加精確。在最后新增分割Mask分支，可以對車道線區(qū)域進行像素級分割。圖2-2MaskR-CNN基本結構圖從網絡的基本結構，可知每一個ROI區(qū)域的損失函數來自三個部分：分類誤差、檢測誤差和分割誤差，分別對應分類層、回歸層、Mask層。故損失函數表示為：maskbboxclass)L()L()L(L(2.1)其中L(class)表示車道線分類損失，是對ROI區(qū)域進行類別判斷時產生的誤差；L(bbox)表示車道線區(qū)域的邊框回歸損失誤差；L(mask)表示車道線與路面背景像素的分類損失，即判斷該像素是否屬于車道線區(qū)域產生的誤差，等于ROI上所有像素交叉熵的平均值，其中每一個像素均采用Sigmoid函數求二值交叉熵。至此，本章不再對深度學習部分做詳細闡述。經該模型測試的輸出結果如圖2-3(a)所示，藍色部分表示檢測到的車道線區(qū)域。圖2-3(b)所示為該車道線區(qū)域的mask，像素值為1表示檢測區(qū)域，像素值為0表示背景。(a)檢測結果(b)對應的mask圖2-3基于MaskR-CNN的車道線檢測從檢測結果看出mask并不能完全覆蓋車道線區(qū)域，故對mask做膨脹操作向外擴充區(qū)域，確保mask對車道線覆蓋完整。2.2.2檢測結果與分析該模型訓練樣本圖像共2000張，包含正常路面圖像與含病害路面圖像，病害主要有橫向裂縫、縱向裂縫、網絡裂縫以及灌縫，其嚴重程度不統(tǒng)一。另外，圖

【參考文獻】：
期刊論文
[1]基于灰度分析的路面裂縫圖像分類算法研究[J]. 馬曉麗,陸鍵.  武漢理工大學學報(交通科學與工程版). 2018(05)
[2]深度卷積神經網絡在目標檢測中的研究進展[J]. 姚群力,胡顯,雷宏.  計算機工程與應用. 2018(17)
[3]基于卷積神經網絡的車道線語義分割算法[J]. 徐國晟,張偉偉,吳訓成,蘇金亞,郭增高.  電子測量與儀器學報. 2018(07)
[4]基于稀疏表示和多特征融合的路面裂縫檢測[J]. 張玉雪,唐振民,錢彬,徐威.  計算機科學. 2018(07)
[5]深度學習原理及應用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新.  計算機科學. 2018(S1)
[6]基于離散余弦變換和深度網絡的地貌圖像分類[J]. 劉芳,路麗霞,黃光偉,王洪娟,王鑫.  光學學報. 2018(06)
[7]基于SVM-Adaboost裂縫圖像分類方法研究[J]. 琚曉輝,徐凌.  公路交通科技. 2017(11)
[8]基于Haar-CNN模型的自然場景圖像分類的研究[J]. 張慧娜,李裕梅,傅鶯鶯.  四川師范大學學報(自然科學版). 2017(01)
[9]基于支持向量機的路面圖像分類方法[J]. 段瑗,李春書,閆堯.  河北農業(yè)大學學報. 2016(06)
[10]樣本塊搜索和優(yōu)先權填充的弧形推進圖像修復[J]. 劉華明,畢學慧,葉中付,王維蘭.  中國圖象圖形學報. 2016(08)

碩士論文
[1]基于深度學習的車道線檢測算法研究[D]. 梁樂穎.北京交通大學 2018
[2]路面病害圖像自動分類方法研究[D]. 孫奧.南京理工大學 2008



本文編號：3589008