在施工初始缺陷、長期交變荷載和突發(fā)事件過載的共同作用下,橋梁結(jié)構(gòu)易出現(xiàn)各種病害,例如表面裂縫,混凝土塊剝落,鋼筋外露等。這些病害可能導(dǎo)致混凝土分層與開裂、結(jié)構(gòu)構(gòu)件承載能力降低,甚至可能引發(fā)重大安全事故。然而,橋梁結(jié)構(gòu)數(shù)量多、體量大,常規(guī)的人工檢查已較難滿足眾多橋梁日常檢查的需求;同時,橋梁結(jié)構(gòu)的外表面需借助昂貴的輔助設(shè)備才能接近檢查,致使檢查耗時多、費用高且存在一定的人身安全風(fēng)險。因此,通過無人機拍攝橋梁表觀的數(shù)字圖像,并從圖像中自動識別、分類病害成為解決橋梁病害檢查的發(fā)展方向。本文基于圖像處理技術(shù)改進病害圖像目標(biāo)多樣性不足、輪廓細(xì)節(jié)不清晰的缺點,結(jié)合深度學(xué)習(xí)目標(biāo)識別算法,建立基于圖像處理和深度學(xué)習(xí)的鋼筋混凝土橋梁表觀病害識別方法,為通過無人機拍攝數(shù)字圖像實現(xiàn)鋼筋混凝土橋梁表觀病害的自動檢測、分類提供技術(shù)支撐。本文的主要研究內(nèi)容及結(jié)論如下:（1）采用遷移學(xué)習(xí)改進YOLOv3目標(biāo)識別算法。詳細(xì)研究YOLOv3算法的網(wǎng)絡(luò)結(jié)構(gòu)以及在目標(biāo)檢測、分類上的原理。針對結(jié)構(gòu)病害圖片數(shù)量較難滿足YOLOv3算法要求的問題,結(jié)合遷移學(xué)習(xí)策略,采用ImageNet圖像集對YOLOv3算法進行預(yù)訓(xùn)練,以捕獲圖... 

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于圖像處理技術(shù)階段
        1.2.2 基于手工特征提取與分類器組合階段
        1.2.3 基于特征自動提取的深度學(xué)習(xí)階段
    1.3 本文主要工作內(nèi)容
2 鋼筋混凝土橋梁表觀病害分類及數(shù)據(jù)標(biāo)記
    2.1 引言
    2.2 橋梁表面缺陷的形成原因及其分類
    2.3 鋼筋混凝土橋梁表觀病害數(shù)據(jù)庫
        2.3.1 病害目標(biāo)的標(biāo)記特征分析
        2.3.2 病害圖像數(shù)據(jù)標(biāo)記
    2.4 本章小結(jié)
3 基于YOLOV3深度學(xué)習(xí)增強的目標(biāo)識別算法
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.1 卷積層
        3.2.2 池化層
        3.2.3 全連接層及分類器
    3.3 YOLO系列目標(biāo)檢測算法
        3.3.1 YOLO算法
        3.3.2 YOLOv2算法
        3.3.3 YOLOv3算法
        3.3.4 目標(biāo)檢測評價指標(biāo)
    3.4 基于遷移學(xué)習(xí)增強的YOLOv3目標(biāo)識別算法
        3.4.1 遷移學(xué)習(xí)的理論
        3.4.2 基于模型的遷移學(xué)習(xí)
        3.4.3 基于模型的遷移學(xué)習(xí)的YOLOv3訓(xùn)練框架
        3.4.4 VOC數(shù)據(jù)集
        3.4.5 計算環(huán)境與網(wǎng)絡(luò)參數(shù)
        3.4.6 實驗結(jié)果
    3.5 基于遷移學(xué)習(xí)增強的YOLOv3病害識別
        3.5.1 病害目標(biāo)識別評價指標(biāo)
        3.5.2 病害識別算例研究
    3.6 本章小結(jié)
4 基于數(shù)字圖像預(yù)處理改進的病害識別
    4.1 引言
    4.2 圖像增強
        4.2.1 圖像增強算法概述
        4.2.2 拉普拉斯圖像銳化
        4.2.3 算例研究
    4.3 基于拉普拉斯圖像銳化增強的病害識別
    4.4 數(shù)據(jù)增強
        4.4.1 數(shù)據(jù)增強概述
        4.4.2 仿射變換數(shù)據(jù)增強
    4.5 基于仿射變換數(shù)據(jù)增強的病害識別
    4.6 本章小結(jié)
5 基于圖像處理與增強的YOLOV3的病害識別
    5.1 引言
    5.2 鋼筋混凝土橋梁表觀病害識別方法的建立
        5.2.1 病害目標(biāo)檢測步驟
        5.2.2 基于RCDD-YOLO的病害識別
    5.3 不同檢測框架對比
    5.4 影響因素及參數(shù)分析
        5.4.1 圖像影響因素分析
        5.4.2 網(wǎng)絡(luò)參數(shù)分析
    5.5 本章小結(jié)
6 結(jié)論與展望
    6.1 本文的主要工作和結(jié)論
    6.2 研究展望
參考文獻
附錄
    A 作者在攻讀碩士學(xué)位期間發(fā)表的論文
    B 學(xué)位論文數(shù)據(jù)集
致謝


【參考文獻】：
期刊論文
[1]基于圖像特征值的混凝土橋梁表面病害圖像分類[J]. 陳飛飛,張宇峰,韓曉健.  結(jié)構(gòu)工程師. 2018(01)
[2]干線公路病險橋梁統(tǒng)計與典型病害研究[J]. 渠廣鎮(zhèn),周廣利,鐘軍.  山東交通科技. 2015(06)
[3]近15年國內(nèi)橋梁坍塌事故的原因和風(fēng)險分析[J]. 易仁彥,周瑞峰,黃茜.  交通科技. 2015(05)
[4]遷移學(xué)習(xí)支持下的遙感影像對象級分類樣本自動選擇方法[J]. 吳田軍,駱劍承,夏列鋼,楊海平,沈占鋒,胡曉東.  測繪學(xué)報. 2014(09)
[5]某超高層建筑火災(zāi)后混凝土結(jié)構(gòu)檢測鑒定與修復(fù)加固[J]. 翟傳明,韓慶華,郭雨非,盧燕,鄭佳明.  建筑結(jié)構(gòu). 2013(19)
[6]一種SLIP模型的圖像增強新算法[J]. 張廣燕,王俊平,汪松,曹洪花,許丹,李錦,李長江.  西安電子科技大學(xué)學(xué)報. 2014(01)
[7]混凝土橋梁下部結(jié)構(gòu)病害分析與加固[J]. 何曉陽,項貽強,邢騁.  重慶交通大學(xué)學(xué)報(自然科學(xué)版). 2013(S1)
[8]鋼筋混凝土結(jié)構(gòu)的病害[J]. 楊曉明,韓志強.  硅酸鹽通報. 2013(05)
[9]民國建筑鋼筋混凝土結(jié)構(gòu)檢測鑒定及加固技術(shù)[J]. 淳慶,周琦.  建筑技術(shù). 2013(02)
[10]既有混凝土橋梁疲勞壽命與使用安全評估[J]. 王春生,周江,吳全有,王玉嬌,董小紅.  中國公路學(xué)報. 2012(06)

博士論文
[1]基于無人機高分影像的空心村建筑物信息獲取關(guān)鍵技術(shù)研究[D]. 李政.西南交通大學(xué) 2018

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法研究及其在細(xì)粒度圖像識別中的應(yīng)用[D]. 聶建政.西安電子科技大學(xué) 2018
[2]基于遷移學(xué)習(xí)的電商圖片物體識別[D]. 劉達榮.廣州大學(xué) 2018
[3]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究[D]. 張志豪.電子科技大學(xué) 2018
[4]基于深度學(xué)習(xí)與散射變換的信號分類研究[D]. 許周樂.重慶大學(xué) 2018
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)和無監(jiān)督K均值特征的SAR圖像目標(biāo)識別方法研究[D]. 劉凱品.五邑大學(xué) 2017
[6]面向圖像去霧處理全局化增強方法的研究與應(yīng)用[D]. 孫曉曉.山東師范大學(xué) 2017
[7]混凝土裂縫特征信息識別與辨析研究[D]. 陳紹磊.中南大學(xué) 2013
[8]基于紅外攝像的連鑄坯表面質(zhì)量在線監(jiān)測方法的研究[D]. 陳靈光.浙江大學(xué) 2013
[9]基于光流場的視頻車輛檢測與跟蹤算法研究與應(yīng)用[D]. 劉濤.武漢科技大學(xué) 2011
[10]圖像銳化的研究[D]. 劉三國.曲阜師范大學(xué) 2011



本文編號：3722755