近年來,隨著經(jīng)濟的飛速發(fā)展和科學技術(shù)水平的進步,一方面,人們出行更加便利,另一方面,公路的健康也因車載的加重、惡劣的天氣、自然老化等因素的影響而越來越差。裂縫是影響路面性能的常見路面病害,傳統(tǒng)的人工檢測方法不僅耗時、費力、準確率低而且安全性低。因此,自動裂縫檢測識別系統(tǒng)的研究對于確保交通的安全具有重要意義。目前已經(jīng)有許多學者在自動裂縫檢測識別方面作了研究,但由于路面裂縫圖像的光強不均勻性、裂縫的拓撲復雜性、紋理背景嘈雜等缺點,使得目前路面裂縫識別方法的準確率普遍偏低,而且由于計算時間復雜度大多較高,導致無法及時的檢測出裂縫,難以滿足實際要求。針對人工現(xiàn)場檢測方法的不安全性以及傳統(tǒng)圖像處理裂縫識別中低精度等問題,本文以提高裂縫識別率以及實時檢測裂縫為目的,開展了如下研究工作:(1)傳統(tǒng)的裂縫檢測通常采用現(xiàn)場拍照,線下識別的方法對裂縫進行檢測,為了實現(xiàn)對路面裂縫的實時在線檢測,本文對基于深度學習的路面裂縫檢測進行了研究與實現(xiàn)。(2)為了實現(xiàn)路面裂縫圖像的快速檢測識別,采用一種基于YOLO v3的深度學習網(wǎng)絡對路面裂縫進行檢測。在此基礎上,為了實現(xiàn)對裂縫視頻的檢測,運用OpenCV對視頻進行...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題來源
    1.2 課題研究背景、目的和意義
    1.3 相關領域國內(nèi)外研究現(xiàn)狀
        1.3.1 基于傳統(tǒng)圖像處理的裂縫檢測方法的研究現(xiàn)狀
        1.3.2 基于多尺度形態(tài)學的路面裂縫檢測方法研究現(xiàn)狀
        1.3.3 基于機器學習與深度學習的路面裂縫檢測方法研究現(xiàn)狀
    1.4 本文的主要研究內(nèi)容與組織結(jié)構(gòu)
第2章 基于YOLO v3 的路面裂縫檢測識別算法研究
    2.1
        2.1.1 Two-stage目標檢測
        2.1.2 One-stage目標檢測
        2.1.3 兩種算法的對比研究
    2.2 YOLO v3 目標檢測原理
        2.2.1 YOLO v3 的檢測過程
        2.2.2 YOLO v3 網(wǎng)絡結(jié)構(gòu)
        2.2.3 Bounding box及損失函數(shù)
    2.3 裂縫檢測實驗設計
        2.3.1 數(shù)據(jù)集的處理
        2.3.2 網(wǎng)絡模型訓練過程
    2.4 實驗結(jié)果與分析
        2.4.1 算法性能評價指標
        2.4.2 模型檢測結(jié)果及對比分析
    2.5 本章小結(jié)
第3章 基于NSCT的多尺度幾何分析路面裂縫圖像去噪與識別研究
    3.1 引言
    3.2 NSCT去噪算法
        3.2.1 非下采樣金字塔(NSP)
        3.2.2 非下采樣方向濾波器組(NSDFB)
        3.2.3 閾值選取
        3.2.4 濾波器組設計
    3.3 裂縫圖像去噪識別實驗及分析
    3.4 本章小結(jié)
第4章 裂縫檢測軟件系統(tǒng)的設計與實現(xiàn)
    4.1 軟件系統(tǒng)的總體架構(gòu)設計
    4.2 軟件系統(tǒng)各模塊的設計與實現(xiàn)
        4.2.1 裂縫檢測流程
        4.2.2 視頻分割模塊
        4.2.3 交互界面模塊
        4.2.4 數(shù)據(jù)持久化模塊
    4.3 系統(tǒng)測試與分析
        4.3.1 視頻分割模塊的測試
        4.3.2 裂縫檢測模塊測試
        4.3.3 數(shù)據(jù)庫功能測試
        4.3.4 系統(tǒng)整體功能測試
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 未來工作展望
致謝
參考文獻
附錄 研究生期間的研究成果



本文編號：3872910