基于机器学习的道路井盖缺陷识别算法研究
发布时间：2021-02-18 13:13
随着我国工业化、城镇化进程不断加快,城市中用于排水、燃气、电力等各种市政公用地下管线设施日益增加,路面井盖的正确检测与有效管理对人们的人身安全起着关键的作用。人工检测不仅会产生诸如效率低、耗时多、精度差等缺点,而且也会因为天气或者井盖的位置分布产生其他的安全问题。因此,本文围绕如何实现井盖的自动化检测这一主题展开了一系列研究。经研读和分析大量关于井盖缺陷检测的文献发现,大部分学者都是从传感器和图像处理的角度出发,布置一些硬件设备来获取井盖信息,最后通过分析这些信息来得出检测结果,而较少结合视频监控和机器学习算法来实现井盖缺陷的识别与分类。虽然这些方法也能实现井盖的监测,但其性能不够好,计算量较大,想运用到实时系统中则不太现实。因此,本文提出了机器学习下的两个不同算法来较为准确快速地实现井盖缺陷的分类过程。一个是改进的SVM算法,另外一个是基于优化的卷积神经网络算法。主要的研究内容如下:（1）通过研读大量国内外关于SVM、特征提取、增量学习的文献发现,现有的SVM算法对高维数据的特征提取有一些缺陷,本文就此提出相应的改进方法。首先在特征提取方法上对主成分分析（PCA）和局部线性嵌入（LL...
【文章来源】：浙江工业大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
高斯滤波Figure2-1.Gaussianfiltering
基于机器学习的道路井盖缺陷识别算法研究7散高斯函数作平滑滤波器，如图2-1所示。图2-1高斯滤波Figure2-1.Gaussianfiltering二维零均值高斯函数为式(2-3)所示：g(,)=122(2+2)22（2-3）其中为标准差，g(,)为高斯滤波输出结果。用该滤波算法处理后的井盖如2-2图所示：图2-2高斯滤波处理Figure2-2.Gaussianfilterprocessing（2）均值滤波均值滤波原理[15]是，对待处理的当前像素，选择一个模板，即滤波核，该模板为其邻近的若干个像素组成，用模板的均值来替代原像素的值的方法。计算公式如(2-4)下:g(,)=1∑(,)∈(2-4)其中g(,)表示输出结果，为模板像素个数，(,)为原图像像素值。（3）中值滤波中值滤波原理跟均值滤波类似，区别在于：对选好后的模板的像素从小到大进行排序，再用模板的中值来替代原像素的值的方法。对应的数学表达式如（2-5）式所示：=,+1,,,+1,+(2-5)其中是图像第k个像素的灰度值，代表求所有像素的中值。用该滤
浙江工业大学硕士学位论文8波算法处理后的井盖如2-3图所示：图2-3中值滤波处理Figure2-3.Medianfilterprocessing由于本文检测要求的特殊性：在去除噪声的同时，选取的平滑算法不能影响到缺陷的检测。因此，本文选择使用的平滑算法是中值滤波，其优点是可以在保留图像的目标区域边缘的前提下，去除孤立的椒盐噪声。2.1.2图像增强井盖图片在采样的时候，可能因为光照等因素导致图像的对比度偏低，因此需要通过图像增强来有目的地提取图像局部特征，进而将原来不清晰的感兴趣图像区域、边缘等特征明显显示出来。本文采用的图像增强算法[16]数学表达式如下（2-6）所示：g(,)=(((,))+(,))(2-6)其中(,)代表原始图像，g(,)代表增强后的图像，代表四舍五入运算，为一个系数，代表中值滤波后对应像素点的灰度值。本文选择的滤波器核尺寸为17×17，为1.0。经过增强后的效果图如下图2-4所示。对比可知，本算法能很好地突出图像的感兴趣区域。图2-4图像增强对比Figure2-4.Imageenhancementcomparison2.1.3OSTU阈值处理在图像处理过程中，图像阈值处理是一个重要的环节。为了去掉背景，只取需要的感兴趣图像区域，就需要为图像设置一个或多个全局的阈值，进而将图像分为几个不同的像素块，这跟分类问题很类似。现有的阈值分割算法有很多，比如迭代阈值法、动态阈值法、自适应阈值法、OTSU（最大间方差阈值法）等。本节讨论的Otsu方法是一种比较有吸引力的方案。该方法在类间方差最大的情况下是最佳的。除了其最佳性之外，Ostu[17]方法还有一个重要的特性，就是
【参考文献】：
期刊论文
[1]混凝土桥梁底部裂缝自动检测与测量[J]. 杨晓,姚晓同,叶琰. 自动化与仪表. 2019(09)
[2]局部敏感哈希图像检索参数优化方法[J]. 吴家皋,王永荣,邹志强,胡斌. 计算机技术与发展. 2020(01)
[3]信息熵在网络设备智能修复中的应用研究[J]. 唐启涛. 计算机技术与发展. 2019(12)
[4]基于改进Canny边缘检测算法的道路标线检测实验研究[J]. 李志鹏,于鸿彬,邵宏宇. 实验技术与管理. 2019(09)
[5]基于卷积神经网络的自动标注技术的研究[J]. 程冰. 电子世界. 2019(16)
[6]深度卷积网络支持下的遥感影像井盖部件检测[J]. 杨梦圆,刘伟,尹鹏程,谢梦. 测绘通报. 2019(08)
[7]一种基于全局信息保持的局部线性嵌入算法及应用[J]. 毕略,孙文心,熊伟丽. 信息与控制. 2019(04)
[8]基于LoRa技术的城市井盖监测传感器网络[J]. 潘锋,刘雪亭. 信息技术. 2019(07)
[9]基于深度学习的视频检索系统设计与实现[J]. 姚锦江,程允权. 计算机测量与控制. 2019(06)
[10]一种基于局部线性嵌入的SVM增量学习方法[J]. 姚明海,王旭. 浙江工业大学学报. 2019(03)
硕士论文
[1]基于无监督增量学习的跨域行人重识别[D]. 廖星宇.中国科学技术大学 2019
[2]基于深度学习的音频事件识别研究[D]. 吴怀文.北京邮电大学 2019
[3]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[4]基于支持向量机的电网调度风险评估研究[D]. 陈冰松.浙江大学 2019
[5]基于卷积神经网络的自然图像分类研究[D]. 王强.成都信息工程大学 2018
[6]基于深度学习的磁片表面缺陷检测研究[D]. 陈志浩.浙江工业大学 2018
[7]基于混合k近邻图的聚类及半监督算法研究[D]. 秦一焜.华南理工大学 2018
[8]一种基于局部线性嵌入的SVM学习算法[D]. 王旭.浙江工业大学 2018
[9]图像分类中的卷积神经网络方法研究[D]. 李明威.南京邮电大学 2016
[10]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
本文编号：3039605
【文章来源】：浙江工业大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
高斯滤波Figure2-1.Gaussianfiltering
基于机器学习的道路井盖缺陷识别算法研究7散高斯函数作平滑滤波器，如图2-1所示。图2-1高斯滤波Figure2-1.Gaussianfiltering二维零均值高斯函数为式(2-3)所示：g(,)=122(2+2)22（2-3）其中为标准差，g(,)为高斯滤波输出结果。用该滤波算法处理后的井盖如2-2图所示：图2-2高斯滤波处理Figure2-2.Gaussianfilterprocessing（2）均值滤波均值滤波原理[15]是，对待处理的当前像素，选择一个模板，即滤波核，该模板为其邻近的若干个像素组成，用模板的均值来替代原像素的值的方法。计算公式如(2-4)下:g(,)=1∑(,)∈(2-4)其中g(,)表示输出结果，为模板像素个数，(,)为原图像像素值。（3）中值滤波中值滤波原理跟均值滤波类似，区别在于：对选好后的模板的像素从小到大进行排序，再用模板的中值来替代原像素的值的方法。对应的数学表达式如（2-5）式所示：=,+1,,,+1,+(2-5)其中是图像第k个像素的灰度值，代表求所有像素的中值。用该滤
浙江工业大学硕士学位论文8波算法处理后的井盖如2-3图所示：图2-3中值滤波处理Figure2-3.Medianfilterprocessing由于本文检测要求的特殊性：在去除噪声的同时，选取的平滑算法不能影响到缺陷的检测。因此，本文选择使用的平滑算法是中值滤波，其优点是可以在保留图像的目标区域边缘的前提下，去除孤立的椒盐噪声。2.1.2图像增强井盖图片在采样的时候，可能因为光照等因素导致图像的对比度偏低，因此需要通过图像增强来有目的地提取图像局部特征，进而将原来不清晰的感兴趣图像区域、边缘等特征明显显示出来。本文采用的图像增强算法[16]数学表达式如下（2-6）所示：g(,)=(((,))+(,))(2-6)其中(,)代表原始图像，g(,)代表增强后的图像，代表四舍五入运算，为一个系数，代表中值滤波后对应像素点的灰度值。本文选择的滤波器核尺寸为17×17，为1.0。经过增强后的效果图如下图2-4所示。对比可知，本算法能很好地突出图像的感兴趣区域。图2-4图像增强对比Figure2-4.Imageenhancementcomparison2.1.3OSTU阈值处理在图像处理过程中，图像阈值处理是一个重要的环节。为了去掉背景，只取需要的感兴趣图像区域，就需要为图像设置一个或多个全局的阈值，进而将图像分为几个不同的像素块，这跟分类问题很类似。现有的阈值分割算法有很多，比如迭代阈值法、动态阈值法、自适应阈值法、OTSU（最大间方差阈值法）等。本节讨论的Otsu方法是一种比较有吸引力的方案。该方法在类间方差最大的情况下是最佳的。除了其最佳性之外，Ostu[17]方法还有一个重要的特性，就是
【参考文献】：
期刊论文
[1]混凝土桥梁底部裂缝自动检测与测量[J]. 杨晓,姚晓同,叶琰. 自动化与仪表. 2019(09)
[2]局部敏感哈希图像检索参数优化方法[J]. 吴家皋,王永荣,邹志强,胡斌. 计算机技术与发展. 2020(01)
[3]信息熵在网络设备智能修复中的应用研究[J]. 唐启涛. 计算机技术与发展. 2019(12)
[4]基于改进Canny边缘检测算法的道路标线检测实验研究[J]. 李志鹏,于鸿彬,邵宏宇. 实验技术与管理. 2019(09)
[5]基于卷积神经网络的自动标注技术的研究[J]. 程冰. 电子世界. 2019(16)
[6]深度卷积网络支持下的遥感影像井盖部件检测[J]. 杨梦圆,刘伟,尹鹏程,谢梦. 测绘通报. 2019(08)
[7]一种基于全局信息保持的局部线性嵌入算法及应用[J]. 毕略,孙文心,熊伟丽. 信息与控制. 2019(04)
[8]基于LoRa技术的城市井盖监测传感器网络[J]. 潘锋,刘雪亭. 信息技术. 2019(07)
[9]基于深度学习的视频检索系统设计与实现[J]. 姚锦江,程允权. 计算机测量与控制. 2019(06)
[10]一种基于局部线性嵌入的SVM增量学习方法[J]. 姚明海,王旭. 浙江工业大学学报. 2019(03)
硕士论文
[1]基于无监督增量学习的跨域行人重识别[D]. 廖星宇.中国科学技术大学 2019
[2]基于深度学习的音频事件识别研究[D]. 吴怀文.北京邮电大学 2019
[3]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[4]基于支持向量机的电网调度风险评估研究[D]. 陈冰松.浙江大学 2019
[5]基于卷积神经网络的自然图像分类研究[D]. 王强.成都信息工程大学 2018
[6]基于深度学习的磁片表面缺陷检测研究[D]. 陈志浩.浙江工业大学 2018
[7]基于混合k近邻图的聚类及半监督算法研究[D]. 秦一焜.华南理工大学 2018
[8]一种基于局部线性嵌入的SVM学习算法[D]. 王旭.浙江工业大学 2018
[9]图像分类中的卷积神经网络方法研究[D]. 李明威.南京邮电大学 2016
[10]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
本文编号：3039605
本文链接：https://www.wllwen.com/jingjilunwen/jianzhujingjilunwen/3039605.html
