在道路養(yǎng)護(hù)中,檢測(cè)路面的破損情況是進(jìn)行道路養(yǎng)護(hù)的首要環(huán)節(jié),其中路面裂縫是路面破損的主要表現(xiàn)形式。對(duì)路面裂縫進(jìn)行檢測(cè)能夠讓路政管理部門(mén)及時(shí)掌握道路的破損情況,并為制定道路養(yǎng)護(hù)計(jì)劃和養(yǎng)護(hù)措施提供決策依據(jù)。論文以路面裂縫檢測(cè)為研究?jī)?nèi)容,采用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法,圍繞路面圖像預(yù)處理、路面裂縫檢測(cè)算法和路面破損程度分類(lèi)開(kāi)展研究。首先,論文根據(jù)路面裂縫圖像的特點(diǎn),采用高斯雙邊濾波在保留裂縫邊緣信息的同時(shí)去除路面圖像噪聲。針對(duì)已采集的路面裂縫圖片數(shù)量不足的問(wèn)題,采用圖像翻轉(zhuǎn)平移和色彩調(diào)整的方式對(duì)裂縫圖片樣本進(jìn)行數(shù)據(jù)擴(kuò)充。其次,論文比較了深度學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域的R-CNN系列算法和YOLO系列算法,闡述了Mask R-CNN算法用于路面裂縫檢測(cè)的優(yōu)勢(shì),并對(duì)Mask R-CNN算法進(jìn)行優(yōu)化訓(xùn)練和測(cè)試。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的Mask R-CNN算法在測(cè)試集上準(zhǔn)確率達(dá)到0.9412,召回率達(dá)到0.9143,F1值達(dá)到0.9275,mAP值達(dá)到0.9082,檢測(cè)效果較好。最后,論文在Mask R-CNN檢測(cè)路面裂縫的基礎(chǔ)上,進(jìn)一步提取14個(gè)路面裂縫特征,構(gòu)建隨機(jī)森林模型,對(duì)路面破損程度進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表... 

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 路面裂縫檢測(cè)研究現(xiàn)狀
        1.2.1 基于數(shù)字特征的檢測(cè)方法
        1.2.2 基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法
    1.3 深度學(xué)習(xí)研究現(xiàn)狀
    1.4 研究?jī)?nèi)容、意義及技術(shù)路線
        1.4.1 研究?jī)?nèi)容
        1.4.2 研究意義
        1.4.3 技術(shù)路線
            1.4.3.1 技術(shù)路線描述
            1.4.3.2 技術(shù)路線圖
    1.5 論文結(jié)構(gòu)安排
    1.6 本章小結(jié)
第二章 路面裂縫圖像預(yù)處理
    2.1 圖像去噪
        2.1.1 路面裂縫圖像特點(diǎn)
        2.1.2 高斯雙邊濾波
    2.2 裂縫圖片樣本數(shù)據(jù)擴(kuò)充
        2.2.1 圖像翻轉(zhuǎn)平移
        2.2.2 色彩調(diào)整
    2.3 路面裂縫數(shù)據(jù)集標(biāo)注
    2.4 本章小結(jié)
第三章 深度學(xué)習(xí)原理及路面裂縫分割模型
    3.1 深度學(xué)習(xí)原理
        3.1.1 信號(hào)前向傳播
        3.1.2 損失函數(shù)
        3.1.3 誤差反向傳播
        3.1.4 深度學(xué)習(xí)典型問(wèn)題
    3.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.1 輸入層
        3.2.2 卷積層
            3.2.2.1 卷積層信號(hào)前向傳播
            3.2.2.2 卷積層誤差反向傳播
        3.2.3 批量歸一化層
        3.2.4 激活函數(shù)
        3.2.5 池化層
        3.2.6 全連接層
        3.2.7 輸出層
    3.3 殘差神經(jīng)網(wǎng)絡(luò)
    3.4 裂縫分割模型
        3.4.1 R-CNN系列
        3.4.2 YOLO系列
    3.5 本章小結(jié)
第四章 基于Mask R-CNN的路面裂縫檢測(cè)模型研究
    4.1 Mask R-CNN
        4.1.1 基于殘差神經(jīng)網(wǎng)絡(luò)的特征金字塔網(wǎng)絡(luò)
        4.1.2 區(qū)域生成網(wǎng)絡(luò)
            4.1.2.1 改進(jìn)的Anchor機(jī)制
            4.1.2.2 RPN輸出層
        4.1.3 非極大值抑制
        4.1.4 池化操作
            4.1.4.1 雙線性插值
            4.1.4.2 ROI Align
        4.1.5 二進(jìn)制掩膜預(yù)測(cè)
        4.1.6 模型的損失函數(shù)
    4.2 模型訓(xùn)練和測(cè)試
        4.2.1 實(shí)驗(yàn)開(kāi)發(fā)環(huán)境
        4.2.2 模型評(píng)價(jià)指標(biāo)
        4.2.3 K折交叉驗(yàn)證
        4.2.4 模型訓(xùn)練
        4.2.5 模型測(cè)試
    4.3 模型魯棒性研究
        4.3.1 不同網(wǎng)絡(luò)深度和Anchor尺寸對(duì)檢測(cè)結(jié)果的影響
        4.3.2 模型在復(fù)雜路面背景下的魯棒性
        4.3.3 模型對(duì)不同路面材料的魯棒性
    4.4 本章小結(jié)
第五章 基于隨機(jī)森林的路面破損程度分類(lèi)
    5.1 公路技術(shù)狀況評(píng)價(jià)體系
    5.2 隨機(jī)森林模型構(gòu)建
        5.2.1 決策樹(shù)
        5.2.2 隨機(jī)森林
            5.2.2.1 隨機(jī)森林算法理論
            5.2.2.2 隨機(jī)森林模型構(gòu)建
    5.3 基于PyQt5 的圖形用戶(hù)界面
        5.3.1 PyQt5 簡(jiǎn)介
        5.3.2 圖形用戶(hù)界面設(shè)計(jì)
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介



本文編號(hào)：3671361