基于深度学习的路面裂缝检测方法研究及实现
发布时间：2022-08-08 10:40
在道路养护中,检测路面的破损情况是进行道路养护的首要环节,其中路面裂缝是路面破损的主要表现形式。对路面裂缝进行检测能够让路政管理部门及时掌握道路的破损情况,并为制定道路养护计划和养护措施提供决策依据。论文以路面裂缝检测为研究内容,采用基于深度学习的目标检测算法,围绕路面图像预处理、路面裂缝检测算法和路面破损程度分类开展研究。首先,论文根据路面裂缝图像的特点,采用高斯双边滤波在保留裂缝边缘信息的同时去除路面图像噪声。针对已采集的路面裂缝图片数量不足的问题,采用图像翻转平移和色彩调整的方式对裂缝图片样本进行数据扩充。其次,论文比较了深度学习在目标检测领域的R-CNN系列算法和YOLO系列算法,阐述了Mask R-CNN算法用于路面裂缝检测的优势,并对Mask R-CNN算法进行优化训练和测试。实验结果表明,改进的Mask R-CNN算法在测试集上准确率达到0.9412,召回率达到0.9143,F1值达到0.9275,mAP值达到0.9082,检测效果较好。最后,论文在Mask R-CNN检测路面裂缝的基础上,进一步提取14个路面裂缝特征,构建随机森林模型,对路面破损程度进行分类。实验结果表...
【文章页数】：80 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 路面裂缝检测研究现状
1.2.1 基于数字特征的检测方法
1.2.2 基于神经网络的检测方法
1.3 深度学习研究现状
1.4 研究内容、意义及技术路线
1.4.1 研究内容
1.4.2 研究意义
1.4.3 技术路线
1.4.3.1 技术路线描述
1.4.3.2 技术路线图
1.5 论文结构安排
1.6 本章小结
第二章 路面裂缝图像预处理
2.1 图像去噪
2.1.1 路面裂缝图像特点
2.1.2 高斯双边滤波
2.2 裂缝图片样本数据扩充
2.2.1 图像翻转平移
2.2.2 色彩调整
2.3 路面裂缝数据集标注
2.4 本章小结
第三章 深度学习原理及路面裂缝分割模型
3.1 深度学习原理
3.1.1 信号前向传播
3.1.2 损失函数
3.1.3 误差反向传播
3.1.4 深度学习典型问题
3.2 卷积神经网络结构
3.2.1 输入层
3.2.2 卷积层
3.2.2.1 卷积层信号前向传播
3.2.2.2 卷积层误差反向传播
3.2.3 批量归一化层
3.2.4 激活函数
3.2.5 池化层
3.2.6 全连接层
3.2.7 输出层
3.3 残差神经网络
3.4 裂缝分割模型
3.4.1 R-CNN系列
3.4.2 YOLO系列
3.5 本章小结
第四章 基于Mask R-CNN的路面裂缝检测模型研究
4.1 Mask R-CNN
4.1.1 基于残差神经网络的特征金字塔网络
4.1.2 区域生成网络
4.1.2.1 改进的Anchor机制
4.1.2.2 RPN输出层
4.1.3 非极大值抑制
4.1.4 池化操作
4.1.4.1 双线性插值
4.1.4.2 ROI Align
4.1.5 二进制掩膜预测
4.1.6 模型的损失函数
4.2 模型训练和测试
4.2.1 实验开发环境
4.2.2 模型评价指标
4.2.3 K折交叉验证
4.2.4 模型训练
4.2.5 模型测试
4.3 模型鲁棒性研究
4.3.1 不同网络深度和Anchor尺寸对检测结果的影响
4.3.2 模型在复杂路面背景下的鲁棒性
4.3.3 模型对不同路面材料的鲁棒性
4.4 本章小结
第五章 基于随机森林的路面破损程度分类
5.1 公路技术状况评价体系
5.2 随机森林模型构建
5.2.1 决策树
5.2.2 随机森林
5.2.2.1 随机森林算法理论
5.2.2.2 随机森林模型构建
5.3 基于PyQt5 的图形用户界面
5.3.1 PyQt5 简介
5.3.2 图形用户界面设计
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
作者简介
本文编号：3671361
【文章页数】：80 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 路面裂缝检测研究现状
1.2.1 基于数字特征的检测方法
1.2.2 基于神经网络的检测方法
1.3 深度学习研究现状
1.4 研究内容、意义及技术路线
1.4.1 研究内容
1.4.2 研究意义
1.4.3 技术路线
1.4.3.1 技术路线描述
1.4.3.2 技术路线图
1.5 论文结构安排
1.6 本章小结
第二章 路面裂缝图像预处理
2.1 图像去噪
2.1.1 路面裂缝图像特点
2.1.2 高斯双边滤波
2.2 裂缝图片样本数据扩充
2.2.1 图像翻转平移
2.2.2 色彩调整
2.3 路面裂缝数据集标注
2.4 本章小结
第三章 深度学习原理及路面裂缝分割模型
3.1 深度学习原理
3.1.1 信号前向传播
3.1.2 损失函数
3.1.3 误差反向传播
3.1.4 深度学习典型问题
3.2 卷积神经网络结构
3.2.1 输入层
3.2.2 卷积层
3.2.2.1 卷积层信号前向传播
3.2.2.2 卷积层误差反向传播
3.2.3 批量归一化层
3.2.4 激活函数
3.2.5 池化层
3.2.6 全连接层
3.2.7 输出层
3.3 残差神经网络
3.4 裂缝分割模型
3.4.1 R-CNN系列
3.4.2 YOLO系列
3.5 本章小结
第四章 基于Mask R-CNN的路面裂缝检测模型研究
4.1 Mask R-CNN
4.1.1 基于残差神经网络的特征金字塔网络
4.1.2 区域生成网络
4.1.2.1 改进的Anchor机制
4.1.2.2 RPN输出层
4.1.3 非极大值抑制
4.1.4 池化操作
4.1.4.1 双线性插值
4.1.4.2 ROI Align
4.1.5 二进制掩膜预测
4.1.6 模型的损失函数
4.2 模型训练和测试
4.2.1 实验开发环境
4.2.2 模型评价指标
4.2.3 K折交叉验证
4.2.4 模型训练
4.2.5 模型测试
4.3 模型鲁棒性研究
4.3.1 不同网络深度和Anchor尺寸对检测结果的影响
4.3.2 模型在复杂路面背景下的鲁棒性
4.3.3 模型对不同路面材料的鲁棒性
4.4 本章小结
第五章 基于随机森林的路面破损程度分类
5.1 公路技术状况评价体系
5.2 随机森林模型构建
5.2.1 决策树
5.2.2 随机森林
5.2.2.1 随机森林算法理论
5.2.2.2 随机森林模型构建
5.3 基于PyQt5 的图形用户界面
5.3.1 PyQt5 简介
5.3.2 图形用户界面设计
5.4 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
作者简介
本文编号：3671361
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3671361.html
