發(fā)布時(shí)間：2023-11-08 18:34

　　近年來(lái),我國(guó)公路基礎(chǔ)設(shè)施建設(shè)規(guī)模不斷擴(kuò)大,公路通車(chē)?yán)锍萄杆僭黾?已修公路和新修公路都需要進(jìn)行合理養(yǎng)護(hù),高效、準(zhǔn)確的獲取路面病害信息是公路養(yǎng)護(hù)部門(mén)進(jìn)行科學(xué)決策的基礎(chǔ)。裂縫是路面最常見(jiàn)的一種病害,為了滿足公路養(yǎng)護(hù)工作需求,提高養(yǎng)護(hù)效率,裂縫的快速檢測(cè)成為了當(dāng)前的重要研究課題。針對(duì)路面裂縫快速檢測(cè)的需求,本文進(jìn)行了基于語(yǔ)義分割的車(chē)載路面裂縫自動(dòng)識(shí)別技術(shù)的研究。首先通過(guò)分析路面裂縫檢測(cè)系統(tǒng)的功能要求,提出車(chē)載路面裂縫圖像采集系統(tǒng)總體設(shè)計(jì)方案,設(shè)計(jì)了車(chē)載路面裂縫圖像采集系統(tǒng)搭載車(chē),開(kāi)發(fā)了圖像采集硬件系統(tǒng)、輔助照明系統(tǒng)和路面裂縫圖像采集軟件。所開(kāi)發(fā)的輔助照明系統(tǒng)為采用傾斜方式照射的LED模塊化聚光照明燈。然后基于語(yǔ)義分割原理,以Deeplab V3+模型為架構(gòu),設(shè)計(jì)了一種能夠進(jìn)行路面裂縫識(shí)別的網(wǎng)絡(luò)模型。模型以Resnet152為基礎(chǔ)網(wǎng)絡(luò),采用在特征圖通道方向進(jìn)行分組的組歸一化方式,使模型能夠在較小的batch size下達(dá)到較高的精度,加入了注意力優(yōu)化機(jī)制,使用全局平均池化獲取全局上下文信息,同時(shí)通過(guò)計(jì)算權(quán)重向量,為目標(biāo)裂縫分配較大的權(quán)重,更有利于裂縫的識(shí)別。最后構(gòu)建了路面裂縫圖像數(shù)據(jù)集,數(shù)據(jù)集圖...

【文章頁(yè)數(shù)】：98 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
        1.1.1 課題研究的背景
        1.1.2 課題研究的目的及意義
    1.2 車(chē)載路面裂縫自動(dòng)識(shí)別技術(shù)研究現(xiàn)狀
        1.2.1 車(chē)載路面裂縫自動(dòng)檢測(cè)系統(tǒng)研究現(xiàn)狀
        1.2.2 路面裂縫識(shí)別方法研究現(xiàn)狀
    1.3 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.4 圖像語(yǔ)義分割研究現(xiàn)狀
    1.5 本文的主要研究?jī)?nèi)容
第二章 車(chē)載路面裂縫圖像采集系統(tǒng)開(kāi)發(fā)
    2.1 車(chē)載路面裂縫圖像采集系統(tǒng)總體設(shè)計(jì)
        2.1.1 圖像采集系統(tǒng)設(shè)計(jì)要求
        2.1.2 圖像采集系統(tǒng)總體設(shè)計(jì)
    2.2 車(chē)載路面裂縫圖像采集系統(tǒng)搭載車(chē)設(shè)計(jì)
        2.2.1 圖像采集系統(tǒng)搭載車(chē)設(shè)計(jì)要求
        2.2.2 圖像采集系統(tǒng)搭載車(chē)設(shè)計(jì)
    2.3 車(chē)載路面裂縫圖像采集系統(tǒng)硬件開(kāi)發(fā)
        2.3.1 圖像采集系統(tǒng)主要硬件
        2.3.2 輔助照明系統(tǒng)設(shè)計(jì)
        2.3.3 其他硬件
    2.4 車(chē)載路面裂縫圖像采集軟件開(kāi)發(fā)
    2.5 本章小結(jié)
第三章 語(yǔ)義分割基本原理
    3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)基本框架組成
        3.1.3 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化
    3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割方法
        3.2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典語(yǔ)義分割算法
        3.2.2 語(yǔ)義分割中的訓(xùn)練超參數(shù)
        3.2.3 Deeplab V3+網(wǎng)絡(luò)模型
    3.3 本章小結(jié)
第四章 基于語(yǔ)義分割的路面裂縫識(shí)別方法研究
    4.1 路面裂縫的特點(diǎn)
    4.2 基于語(yǔ)義分割的路面裂縫識(shí)別網(wǎng)絡(luò)模型設(shè)計(jì)
        4.2.1 基礎(chǔ)架構(gòu)
        4.2.2 路面裂縫識(shí)別網(wǎng)絡(luò)模型設(shè)計(jì)方案
        4.2.3 路面裂縫識(shí)別網(wǎng)絡(luò)模型結(jié)構(gòu)
    4.3 基于語(yǔ)義分割的路面裂縫識(shí)別網(wǎng)絡(luò)模型驗(yàn)證
        4.3.1 語(yǔ)義分割模型常用評(píng)價(jià)指標(biāo)
        4.3.2 路面裂縫識(shí)別網(wǎng)絡(luò)模型驗(yàn)證
    4.4 本章小結(jié)
第五章 基于語(yǔ)義分割的路面裂縫識(shí)別試驗(yàn)
    5.1 實(shí)驗(yàn)基礎(chǔ)配置
        5.1.1 硬件配置
        5.1.2 開(kāi)發(fā)框架
        5.1.3 數(shù)據(jù)集構(gòu)建
    5.2 實(shí)驗(yàn)結(jié)果及分析
        5.2.1 優(yōu)化器對(duì)模型訓(xùn)練的影響分析
        5.2.2 初始學(xué)習(xí)率對(duì)模型訓(xùn)練的影響分析
        5.2.3 模型測(cè)試
    5.3 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝



本文編號(hào)：3861517