本文選題：混凝土橋梁裂縫檢測　切入點：脈沖耦合神經(jīng)網(wǎng)絡　出處：《計算機應用研究》2017年10期 　論文類型：期刊論文

【摘要】：針對混凝土橋梁裂縫對比度低、裂縫圖像噪聲干擾強等難題,提出了基于脈沖耦合神經(jīng)網(wǎng)絡(PCNN)和遺傳算法相結(jié)合的混凝土橋梁裂縫檢測新算法(GA-PCNN)。該算法首先利用遺傳算法優(yōu)化裂縫PCNN模型參數(shù);然后通過改進的最小對數(shù)誤差適應度函數(shù)區(qū)分裂縫與背景,當適應度值大小幾乎無變化時,停止分割圖像;最后通過連通域去噪算法濾除殘余噪聲,實現(xiàn)裂縫的自動檢測。比較GA-PCNN、PCNN和基于熵及動態(tài)閾值算法對裂縫圖像的分割效果,并繪制PR和ROC曲線評價分割質(zhì)量,經(jīng)計算GA-PCNN算法的PR和ROC曲線下面積為90.6%和91.6%,分別高于PCNN算法10.1%和6.8%、基于熵和動態(tài)閾值6.5%和6.7%。實驗結(jié)果表明,GA-PCNN新算法分割效果好且去噪能力強,該算法能準確地提取混凝土橋梁裂縫特征。
[Abstract]:Aiming at the problems of low contrast of cracks in concrete bridges and strong noise interference of crack images, A new crack detection algorithm of concrete bridge based on pulse coupled neural network (PCNN) and genetic algorithm (GA) is proposed. Firstly, genetic algorithm is used to optimize the parameters of crack PCNN model. Then the crack and background are distinguished by the improved least logarithmic error fitness function. When the fitness value is almost unchanged, the segmentation of the image is stopped. Finally, the residual noise is filtered by the connected domain denoising algorithm. The effect of GA-PCNNNCN-PCNN and dynamic threshold algorithm on crack image segmentation is compared, and PR and ROC curves are drawn to evaluate the segmentation quality. The area under PR and ROC curves of GA-PCNN algorithm is calculated to be 90.6% and 91.6, which is higher than that of PCNN algorithm 10.1% and 6.8, respectively, based on entropy and dynamic threshold 6.5% and 6.7. the experimental results show that the new algorithm has good segmentation effect and strong denoising ability. The algorithm can accurately extract the crack features of concrete bridges.
【作者單位】： 上海理工大學機械工程學院;上海應用技術大學城市建設與安全工程學院;
【分類號】：TP18;TP391.41

【相似文獻】

相關期刊論文 前10條

1 齊永鋒;火元蓮;張家樹;;基于簡化的PCNN與類內(nèi)最小離散度的圖像自動分割方法[J];光電子.激光;2008年09期

2 鐘亞平;;基于PCNN的手腕骨圖像自動分割方法研究[J];軟件導刊;2013年07期

3 火元蓮;;一種基于PCNN的圖像自動分割方法[J];自動化與儀器儀表;2008年06期

4 李敏;蔡騁;談正;;基于修正PCNN的多傳感器圖像融合方法[J];中國圖象圖形學報;2008年02期

5 崔世林;田斐;;基于點火頻率的兩層PCNN參數(shù)研究及其應用[J];陜西理工學院學報(自然科學版);2008年04期

6 劉遠民;秦世引;;一種新的基于PCNN的自適應強去噪方法[J];北京航空航天大學學報;2009年01期

7 劉明;宮輝力;劉君玲;;基于矢量的PCNN模型及其應用[J];微計算機信息;2009年12期

8 劉燦;林志強;劉燕;馬積才;;基于PCNN模型的圖像分割研究[J];網(wǎng)絡安全技術與應用;2009年04期

9 楊光;韓焱;;一種基于PCNN算法的圖像選點濾波方法[J];山西電子技術;2009年03期

10 王紹波;郭業(yè)才;高敏;劉振興;趙雪清;;基于模糊PCNN的小波域超聲醫(yī)學圖像去噪方法[J];光電子.激光;2010年03期

相關會議論文 前10條

1 辛保軍;張講社;;基于自動波現(xiàn)象的PCNN模型及其應用[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

2 周一;陳義宗;;有限發(fā)散脈沖波PCNN及其應用[A];2009通信理論與技術新發(fā)展——第十四屆全國青年通信學術會議論文集[C];2009年

3 譚穎芳;聶仁燦;周冬明;趙東風;;基于PCNN和最大相關準則的圖像分割[A];2007'儀表，自動化及先進集成技術大會論文集（一）[C];2007年

4 蒲蓬;王衛(wèi)星;;基于改進的PCNN的菌落圖像分割方法[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

5 馬義德;齊春亮;錢志柏;史飛;陳娜;;基于PCNN的不規(guī)則分割區(qū)域壓縮編碼[A];第十二屆全國圖象圖形學學術會議論文集[C];2005年

6 趙仕杰;柏正堯;姚娜;李德儉;;基于簡化PCNN模型及信息熵最大準則的生物細胞圖像分割[A];中國儀器儀表學會第十一屆青年學術會議論文集[C];2009年

7 李鋼;王雷;張仁斌;;基于非采樣Contourlet變換與簡化PCNN的圖像融合[A];2009全國虛擬儀器大會論文集（二）[C];2009年

8 李德儉;柏正堯;姚娜;趙仕杰;;一種基于PCNN和C均值算法的圖像分割方法[A];中國儀器儀表學會第十一屆青年學術會議論文集[C];2009年

9 葛雯;高立群;;基于自適應鏈接強度PCNN的多分辨率圖像融合算法[A];2008’“先進集成技術”院士論壇暨第二屆儀表、自動化與先進集成技術大會論文集[C];2008年

10 杜華;周冬明;趙東風;白云洪;林琳;;一種基于調(diào)權PCNN的最短路徑算法[A];2007'儀表，，自動化及先進集成技術大會論文集（一）[C];2007年

相關博士學位論文 前9條

1 何水明;PCNN在圖像處理中的若干問題研究[D];中國地質(zhì)大學;2014年

2 鄧翔宇;PCNN機理研究及其在圖像處理中的參數(shù)自適應設置[D];蘭州大學;2013年

3 李小軍;PCNN改進模型及其在不變紋理檢索和最短路徑求解中應用[D];蘭州大學;2012年

4 李海燕;脈沖耦合神經(jīng)網(wǎng)絡及其在圖像增強與人臉檢測中的應用研究[D];云南大學;2010年

5 王成;基于脈沖耦合神經(jīng)網(wǎng)絡的感興趣區(qū)圖像檢測方法及應用[D];華南理工大學;2010年

6 張紅娟;基于PCNN的圖像去噪和圖像增強方法研究[D];蘭州大學;2011年

7 李建鋒;脈沖耦合神經(jīng)網(wǎng)絡在圖像處理中的應用研究[D];中南大學;2013年

8 黎曦;脈沖耦合神經(jīng)網(wǎng)絡在智能交通系統(tǒng)中的應用技術研究[D];武漢大學;2014年

9 劉R

本文編號：1613990