基于改进U-net网络的桥梁裂缝检测方法

发布时间：2020-12-23 11:24

　　随着我国对“一带一路”经济纽带的建设,公路交通等基础设施在日益完善,使得桥梁里程数直线上升,桥梁在长期的使用中受到自然因素和人为因素的损害,造成桥梁会出现一些病害,从而使得桥梁的使用年限大大地缩短,国家经济遭受巨大损失。但是如果对桥梁的病害能在早期发现,并进行修补,则可以延长桥梁的使用寿命,所以保护桥梁对国家经济建设起到很重要的作用。传统的桥梁裂缝检测方法是利用常用的高精度直尺,游标卡尺或者测宽仪等裂缝检测工具进行人工测量,这些测量方法不仅成本高,具有一定的危险性,而且效率低,漏检率较高。所以国内外研究者致力于使用数字图像处理技术对桥梁裂缝图像进行检测,传统的桥梁裂缝检测算法可以检测出桥梁裂缝图像中的裂缝,但是由于桥梁裂缝图像背景复杂,检测出裂缝往往带有大量的噪音像素,造成检测的精确度较低。随着卷积神经网络的发展,又出现了基于全卷积神经网络的桥梁裂缝检测方法,这些方法在一定程度上提高了裂缝检测精度,但是裂缝边缘检测比较模糊,检测结果还是无法达到实用的需求。桥梁裂缝检测的重点和难点是如何提高裂缝检测的精度和提升裂缝边缘细节信息的检测效果,本文利用基于改进的U-net网络对桥梁裂缝进行检测... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

桥梁断裂示意图

最开始的表现方式是桥梁底面出现裂梁检测车站在桥梁底面使用桥梁裂缝采集通过游标卡尺等测量工具在桥梁地面寻工统计这些测量到的数据，这种人工测量低：人工测量的方法完全是人通过肉眼，所以检测精度很低。高：通过人肉眼检测，出于人的主观性成漏检。人工检测需要通过专业设备，设备费用高：由于是人工在桥梁底面作业，距离人身安全问题。：人工在桥梁底面检测裂缝时，桥梁上工操作，进而影响人身安全。

2.2 卷积神经网络2.2.1 深度学习概述深度学习[21]经历了 3 次变革，分别是控制论时代，联结主义时代和现代时代。受到大脑神经元的启发，控制论时代提出了感知机（如图 2.1 感知机示），感知机是一个线性模型，可以解决分类问题。联结时代提出了浅层神经图 2.2 浅层神经网络示意图所示），可以很容易地解决 XOR 问题。这段时期，指出了利用 BP 算法训练神经网络，可以达到学习特征的目的。1989 年，正式提出了卷积神经网络来解决手写体识别，由于这一时期数据集规模和算小，使得深度学习研究进入了低谷。直到 2012 年，AlexNet[22]第一次直接通播训练得到深层 CNN 模型，且效果远远超过了其他方法，由此拉开了现代的大幕，此时的训练数据集与算力已经提升成千上万倍。深度学习发展至今计算机视觉等领域解决了日益复杂的问题，并且精度也有了显著的提高。

【参考文献】：
硕士论文
[1]基于图像处理的路面裂缝自动检测技术研究[D]. 曹佳煜.长安大学 2014



本文编号：2933633