基于深度学习多模型融合的路面裂缝识别算法研究

发布时间：2020-06-14 08:09

【摘要】：利用传统图像处理方法进行路面裂缝识别需要进行大量的图像预处理工作,效率低下,由于路面图像的多纹理性、多目标性、弱信号性以及背景复杂性,使得其识别精度不高。针对这些问题,本文在国内外的研究基础上,提出了一种基于深度学习多模型融合的路面裂缝识别算法。该算法将多个神经网络进行模型融合,实现了裂缝图像的准确分类。本文主要研究工作如下:(1)对路面裂缝识别的难点进行分析,有针对性的建立数据集,将大量的具有复杂背景的裂缝图像包含在数据集中,以提高算法的实用性。为增加数据量、提高模型鲁棒性,采用实时的数据增强方法。(2)使用经典的神经网络模型LeNet-5、AlexNet、VGGNet16在裂缝数据集上进行实验,并且分别提出了改进策略。对实验结果进行分析,得出模型复杂度低于裂缝图像训练集的结论,需要进一步增加网络层次,以取得更好的识别效果。(3)对利用残差网络ResNet34和ResNet50进行实验时出现的过拟合现象进行深入分析,提出一种新的残差块改进方法,在残差块中加入Dropout并且将批量归一化(Batch normalization)和ReLU激活函数放在卷积层之前,实验结果表明该方法有效的降低了网络过拟合。之后降低网络深度,使用在宽度上有所增加的Inception V3模型,该模型的参数数量只有ResNet50的1/150左右,训练速度快,泛化能力强,在取得了很好的识别率。(4)对之前进行的大量实验进行对比分析,提出一种多模型融合的路面裂缝识别算法。在ResNet34、ResNet50、Inception V3的基础上设计融合模型的网络结构和算法实现流程,在实验中取得了高于单一模型的识别效果。证明通过多个不同模型处理数据然后再进入全连接层之前将数据组合,可以降低模型方差,不同模型具有不一样的复杂度,组合到一起能更好的抽取图像的泛化特征。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U418.6;TP391.41;TP18

【图文】：

不同类型的裂缝图像

复杂背景下的裂缝图像

【参考文献】

相关期刊论文 前10条

1 宋宏勋;马建;王建锋;崔国丽;;基于双相机立体摄影测量的路面裂缝识别方法[J];中国公路学报;2015年10期

2 王德方;曾卫明;王倪传;;基于改进K-means算法的不均匀光照下道路裂缝检测[J];计算机应用与软件;2015年07期

3 李兴龙;;浅谈沥青路面裂缝处治技术[J];科技信息;2014年07期

4 王冲;王葆茜;;沥青混凝土路面裂缝自动识别方法研究[J];中外公路;2013年06期

5 褚文涛;李郑明;陆键;;路面病害检测中的裂缝信息快速识别方法研究[J];中外公路;2013年06期

6 董安国;梁苗苗;;基于灰度相关性的裂缝检测算法[J];计算机应用研究;2013年10期

7 荣婧;潘玉利;;基于图像的水泥路面裂缝识别方法及应用[J];北京邮电大学学报;2012年06期

8 王兴建;秦国锋;赵慧丽;;基于多级去噪模型的路面裂缝检测方法[J];计算机应用;2010年06期

9 刘凡凡;徐国爱;肖靖;杨义先;;基于连通域相关及Hough变换的公路路面裂缝提取[J];北京邮电大学学报;2009年02期

10 孙波成;邱延峻;;基于图像处理的路面裂缝识别研究[J];重庆交通大学学报(自然科学版);2008年01期

相关博士学位论文 前1条

1 樊瑶;基于图像处理的路面裂缝检测关键技术研究[D];长安大学;2016年

相关硕士学位论文 前9条

1 黄兢辉;智能监控与智能门禁安防系统构建[D];广西大学;2017年

2 李楠;基于多尺度特征分析的路面裂缝自动检测算法研究与实现[D];长安大学;2017年

3 刘娜;基于卷积神经网络的行人重识别算法[D];华东师范大学;2017年

4 崔超;高速公路机电系统维护费用分析与研究[D];长安大学;2017年

5 段士雷;层级运动感知编码及其应用研究[D];合肥工业大学;2017年

6 任帅;基于路面检测车图像的裂缝提取方法研究[D];重庆交通大学;2015年

7 寿质彬;基于神经网络模型融合的图像识别研究[D];华南理工大学;2015年

8 卢晓琪;基于数字图像的干线公路养管信息采集系统研究[D];长安大学;2013年

9 刘德超;基于图像处理的路面裂纹识别研究[D];长沙理工大学;2009年

，

本文编号：2712497