目前基于深度學(xué)習(xí)的路面裂縫識(shí)別經(jīng)常面臨訓(xùn)練數(shù)據(jù)集小,以及路面圖片標(biāo)注成本高等問題,基于小規(guī)模路面圖片數(shù)據(jù)集,利用卷積自編碼(CAE)方法進(jìn)行數(shù)據(jù)增強(qiáng),開展包括路面裂縫在內(nèi)的路面目標(biāo)智能化識(shí)別方法研究。在傳統(tǒng)圖像幾何變換數(shù)據(jù)增強(qiáng)的基礎(chǔ)上,采用CAE重構(gòu)圖片方法對(duì)原始數(shù)據(jù)集進(jìn)行兩步驟擴(kuò)增;利用卷積神經(jīng)網(wǎng)絡(luò)DenseNet,設(shè)置了不同數(shù)據(jù)擴(kuò)增方法的對(duì)比試驗(yàn);針對(duì)瀝青路面裂縫圖片背景較黑,裂縫特征不清晰,無監(jiān)督聚類學(xué)習(xí)難度大等問題,采用了一種基于CAE預(yù)訓(xùn)練的深度聚類算法DCEC,對(duì)經(jīng)數(shù)據(jù)增強(qiáng)的路面圖片進(jìn)行無標(biāo)注的聚類識(shí)別。研究結(jié)果表明:經(jīng)過DenseNet網(wǎng)絡(luò)100代的訓(xùn)練,在同一測試集的測試下,基于原始數(shù)據(jù)集訓(xùn)練的網(wǎng)絡(luò)分類準(zhǔn)確度為78.43%,利用傳統(tǒng)圖像處理方法進(jìn)行擴(kuò)增后準(zhǔn)確度為83.44%,利用所提出的圖片增強(qiáng)方法進(jìn)行數(shù)據(jù)擴(kuò)增后準(zhǔn)確度達(dá)87.19%;在保持?jǐn)U增后數(shù)據(jù)集樣本量大小相同的情況下,與幾何變換、像素顏色變換等經(jīng)典數(shù)據(jù)增強(qiáng)手段相比,CAE重構(gòu)圖片的數(shù)據(jù)擴(kuò)增方法有較高的路面圖片識(shí)別精度;CAE數(shù)據(jù)擴(kuò)增方法較受訓(xùn)練數(shù)據(jù)集樣本量的影響,利用傳統(tǒng)方法將數(shù)據(jù)集擴(kuò)增后進(jìn)行CAE特征學(xué)習(xí),重構(gòu)...

【文章頁數(shù)】：16 頁

【部分圖文】：

圖1 研究路線

本文研究路線如圖1所示。1.2有監(jiān)督算法

圖2 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)圖[29]

本文以DenseNet作為各類數(shù)據(jù)增強(qiáng)方法的對(duì)比驗(yàn)證網(wǎng)絡(luò)，所使用的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)框架如圖2所示。其中，密集塊由多次1×1和3×3卷積操作構(gòu)成，在3×3卷積之前加入1×1卷積的設(shè)計(jì)能夠減少輸入特征映射的數(shù)量，從而提高計(jì)算效率。兩個(gè)密集塊中間由1×1卷積層及2×2平均池化層....

圖1 1 DCEC訓(xùn)練DenseNet過程各指標(biāo)變化曲線

結(jié)束訓(xùn)練后，各數(shù)據(jù)集經(jīng)DCEC網(wǎng)絡(luò)的無監(jiān)督訓(xùn)練結(jié)果見表6。由結(jié)果可知，融合了未經(jīng)重構(gòu)及重構(gòu)后圖片的數(shù)據(jù)集C的聚類準(zhǔn)確率與僅包含未經(jīng)重構(gòu)的數(shù)據(jù)集A所得的準(zhǔn)確率相近，但數(shù)據(jù)集C的NMI值和ARI值較高。而僅由重構(gòu)后圖片組成的數(shù)據(jù)集B所得準(zhǔn)確率較低，但所得NMI值和ARI值高于數(shù)據(jù)集A....

圖3 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)示意圖[30]

傳統(tǒng)的自編碼方法使用全連接層，對(duì)于二維圖像，全連接層會(huì)造成空間信息的損失，卷積自編碼器（ConvolutionalAutoencoder,CAE)[31]將卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)融入自編碼器中，利用卷積層代替全連接層，從而較好地保留圖片特征信息[32]。其中，編碼器中采用與卷積神經(jīng)網(wǎng)....

本文編號(hào)：4025500