傳統(tǒng)的圖像處理算法不能很好地對橋梁裂縫進(jìn)行檢測,而經(jīng)典的深度學(xué)習(xí)模型直接用于橋梁裂縫的檢測,效果不甚理想.針對這些問題,本文提出了一種基于深度學(xué)習(xí)的橋梁裂縫檢測算法.首先,利用滑動窗口算法將橋梁裂縫圖像切分為較小的橋梁裂縫面元圖像和橋梁背景面元圖像,并根據(jù)對面元圖像的分析,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks, CNN）的DBCC （Deep bridge crack classify）分類模型,用于橋梁背景面元和橋梁裂縫面元的識別.然后,基于DBCC分類模型結(jié)合改進(jìn)的窗口滑動算法對橋梁裂縫進(jìn)行檢測.最后,采用圖像金字塔和感興趣區(qū)域（Region of interest,ROI）結(jié)合的搜索策略對算法進(jìn)行加速.實驗結(jié)果表明:與傳統(tǒng)算法相比,本文算法具有更好的識別效果和更強(qiáng)的泛化能力. 

【文章頁數(shù)】：16 頁

【文章目錄】：
1 基于人工擴(kuò)增的數(shù)據(jù)集預(yù)處理方法
2 基于CNN深度學(xué)習(xí)的DBCC分類模型及構(gòu)建方法
    2.1 DBCC模型提出的原因分析
    2.2 DBCC模型的構(gòu)建
        2.2.1 DBCC全模型
        2.2.2 使用更小的輸入圖像
        2.2.3 使用更大的卷積核
        2.2.4 加深網(wǎng)絡(luò)深度
        2.2.5 每層使用更多的卷積核
        2.2.6 添加局部響應(yīng)值歸一化層(LRN)
        2.2.7 使用Dropout層
        2.2.8 DBCC模型的網(wǎng)絡(luò)深度和卷積層數(shù)確定的依據(jù)
3 改進(jìn)的窗口滑動算法
4 算法的加速策略
5 基于橋梁裂縫面元的裂縫提取和定位算法
6 實驗結(jié)果與分析
7 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]中國橋梁工程學(xué)術(shù)研究綜述·2014[J]. 馬建,孫守增,楊琦,趙文義,王磊,馬勇,劉輝,張偉偉,陳紅燕,陳磊,康軍.  中國公路學(xué)報. 2014(05)
[2]基于小波和Radon變換的橋梁裂縫檢測[J]. 魏武,王俊杰,蔡釗雄.  計算機(jī)工程與設(shè)計. 2013(09)



本文編號：3646084