基于深度学习理论的桥梁上车型识别与检测跟踪研究
发布时间：2021-01-28 07:21
随着交通运输重要性的增加,对在役桥梁进行低成本、无接触、不需封闭交通的健康监测的问题亟待解决。对此本文提出了基于桥面拍摄的视频进行车辆自动检测跟踪分类的系统,该系统利用深度学习算法Faster R-CNN对车辆位置进行检测,通过卡尔曼滤波跟踪算法和数据关联技术对多目标进行跟踪,再通过深度卷积神经网络VGG-16并结合建立的车辆数据信息库对车辆类型进行识别,从而得到被测桥梁上车辆的基本类型、轴重区间和实时轨迹。该系统是一种低成本、无接触、无需封闭交通的识别桥梁车辆荷载的方法,为实现基于非接触式计算机视觉技术识别桥梁上车辆荷载及其时空分布奠定了基础,同时为实现新型的非接触式桥梁结构识别提供了重要的数据来源。本文的主要工作内容有:（1）建立车辆数据信息库。本文收集和分析了各国关于车辆分类的规定,并结合相关研究成果,建立了车辆细分类标准。根据车辆外型与轴重对应关系等相关参数将车辆分为12类。在该细分类标准的基础上,通过收集汽车公告信息,建立了包含车辆轴距区间、轴重区间和总重区间等信息的车辆数据库。（2）训练车辆类型识别卷积神经网络模型。本文利用建立好的车辆数据库对AlexNet和VGG-16两...
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：硕士
【部分图文】：
北京静载试
特征对应用领域的数据训练一个新的卷积神经网络或者分类器[99]。迁移学习能够改善卷积神经网络在小样本数据情况下训练不足的问题，减少网络训练损耗，进一步将卷积神经网络扩大应用到新的领域。在卷积神经网络中，最常使用的迁移学习方法是微调（Fine-tuning），本文亦使用微调方法来训练卷积神经网络模型。3.2.6过拟合问题过拟合指在训练过程中模型参数过度拟合训练数据，影响了模型在测试数据集上的泛化能力的现象。此时模型在训练数据集上能够很好的拟合数据，但在除训练数据外的数据集上得到的结果却不好，示意图如图3.5所示。图3.5过拟合现象当模型训练的时间过长或训练数据集图片的数量很少时，常出现过拟合现象，模型对于训练集的数据可以完美模拟，对测试集的预测能力却较差。出现过拟合常见的原因有：训练集样本中存在错误；样本干扰过大；参数太多，模型复杂度太高和权值迭代次数过多，拟合了训练数据中的噪声和没有代表性的特征等。减少过拟合常用的方法有正则化、earlystopping、Dropout和数据增强等。正则化是指通过引入额外新信息来过拟合问题，正则化可以保持模型简单。earlystopping是指在模型对训练数据集迭代过程中，发现迭代即将收敛则停止迭代来防止过拟合。Dropout是指对于某一层神经元，通过定义的概率来随机删除一些神经元，能够减少神经元之间的相互依赖，确保提取出的特征相互独立。数据增强指对数据集进行变换从而增加训练集数量，训练集越多，过拟合的概率越
硕士学位论文39络，整个网络结构共包含8个学习层，其中5层卷积层和3层全连接层。AlexNet网络结构如图3.6所示。输入层卷积层1卷积层2卷积层3卷积层4卷积层5全连接层分类器图3.6AlexNet结构[31]网络输入层为227×227的彩色图像，卷积层1包含卷积层和池化层，卷积层采用96个11×11×3的卷积核，步长为4，无填充，激活函数为ReLU；池化层采用最大池化，池化核大小为3×3，步长为2，无填充。卷积层2以第一层卷积层的输出作为输入，其卷积层采用256个5×5×96的卷积核，填充为2，步长为1；池化层为大小3×3，步长为2的最大池化。卷积层3的卷积核大小为3×3×256共384个，填充为1，步长为1。卷积层4的卷积核为3×3×384共384个。卷积层5包含卷积层和池化层，卷积层采用256个3×3×384的卷积核，填充和步长均为1；池化层则采用3×3卷积核，步长为2的最大池化。第六层、第七层结构相同，是含有4096个神经元的全连接层，第八层为1000个神经元的Softmax层。这样的结构使得AlexNet需要学习的参数量达到了6000万个，计算量极大。图3.7非线性激活函数[41]为了提高网络的训练速度，AlexNet首次使用了新的激活函数。传统神经网络常采用Tanh或Sigmoid作为激活函数，但当网络层数过多时，传播梯度随着数量增加变小，使得网络收敛缓慢。AlexNet的激活函数采用了ReLU函数而不是传统的Tanh或Sigmoid等饱和非线性函数，几种函数曲线如图3.7，ReLU函数梯度总是0或1，随着输入变大输出不会趋于饱和，这些特性使得使用ReLU函数激活
【参考文献】：
期刊论文
[1]2017年交通运输行业发展统计公报[J]. 中国物流与采购. 2018(11)
[2]桥梁倒塌事故问题分析[J]. 蔡唐涛,贾彦武. 筑路机械与施工机械化. 2018(05)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]基于南京长江三桥的车辆荷载模型[J]. 林诗枫,黄侨,任远,樊叶华,杨娟. 东南大学学报(自然科学版). 2016(02)
[5]结构健康监测数据科学与工程[J]. 李惠,鲍跃全,李顺龙,张东昱. 工程力学. 2015(08)
[6]非路面式桥梁动态称重研究综述[J]. 任伟新,左小晗,王宁波,何立翔. 中国公路学报. 2014(07)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[8]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[9]基于车-桥耦合振动理论的移动荷载识别[J]. 韩万水,李彦伟,乔磊,赵永祯,杜群乐. 中国公路学报. 2013(01)
[10]公路钢桥疲劳设计荷载标准研究[J]. 周泳涛,鲍卫刚,翟辉,刘延芳. 土木工程学报. 2010(11)
博士论文
[1]公路车辆动态荷载测量及车型分类技术的研究[D]. 张文斌.哈尔滨工业大学 2009
硕士论文
[1]基于数字图像处理的桥梁结构裂缝与位移测量研究[D]. 裴耀东.湖南大学 2017
[2]基于机器视觉的桥梁健康监测与状态评估[D]. 董传智.浙江大学 2016
[3]我国车辆分类方法和标准研究与分析[D]. 闫志强.大连理工大学 2014
本文编号：3004582
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：硕士
【部分图文】：
北京静载试
特征对应用领域的数据训练一个新的卷积神经网络或者分类器[99]。迁移学习能够改善卷积神经网络在小样本数据情况下训练不足的问题，减少网络训练损耗，进一步将卷积神经网络扩大应用到新的领域。在卷积神经网络中，最常使用的迁移学习方法是微调（Fine-tuning），本文亦使用微调方法来训练卷积神经网络模型。3.2.6过拟合问题过拟合指在训练过程中模型参数过度拟合训练数据，影响了模型在测试数据集上的泛化能力的现象。此时模型在训练数据集上能够很好的拟合数据，但在除训练数据外的数据集上得到的结果却不好，示意图如图3.5所示。图3.5过拟合现象当模型训练的时间过长或训练数据集图片的数量很少时，常出现过拟合现象，模型对于训练集的数据可以完美模拟，对测试集的预测能力却较差。出现过拟合常见的原因有：训练集样本中存在错误；样本干扰过大；参数太多，模型复杂度太高和权值迭代次数过多，拟合了训练数据中的噪声和没有代表性的特征等。减少过拟合常用的方法有正则化、earlystopping、Dropout和数据增强等。正则化是指通过引入额外新信息来过拟合问题，正则化可以保持模型简单。earlystopping是指在模型对训练数据集迭代过程中，发现迭代即将收敛则停止迭代来防止过拟合。Dropout是指对于某一层神经元，通过定义的概率来随机删除一些神经元，能够减少神经元之间的相互依赖，确保提取出的特征相互独立。数据增强指对数据集进行变换从而增加训练集数量，训练集越多，过拟合的概率越
硕士学位论文39络，整个网络结构共包含8个学习层，其中5层卷积层和3层全连接层。AlexNet网络结构如图3.6所示。输入层卷积层1卷积层2卷积层3卷积层4卷积层5全连接层分类器图3.6AlexNet结构[31]网络输入层为227×227的彩色图像，卷积层1包含卷积层和池化层，卷积层采用96个11×11×3的卷积核，步长为4，无填充，激活函数为ReLU；池化层采用最大池化，池化核大小为3×3，步长为2，无填充。卷积层2以第一层卷积层的输出作为输入，其卷积层采用256个5×5×96的卷积核，填充为2，步长为1；池化层为大小3×3，步长为2的最大池化。卷积层3的卷积核大小为3×3×256共384个，填充为1，步长为1。卷积层4的卷积核为3×3×384共384个。卷积层5包含卷积层和池化层，卷积层采用256个3×3×384的卷积核，填充和步长均为1；池化层则采用3×3卷积核，步长为2的最大池化。第六层、第七层结构相同，是含有4096个神经元的全连接层，第八层为1000个神经元的Softmax层。这样的结构使得AlexNet需要学习的参数量达到了6000万个，计算量极大。图3.7非线性激活函数[41]为了提高网络的训练速度，AlexNet首次使用了新的激活函数。传统神经网络常采用Tanh或Sigmoid作为激活函数，但当网络层数过多时，传播梯度随着数量增加变小，使得网络收敛缓慢。AlexNet的激活函数采用了ReLU函数而不是传统的Tanh或Sigmoid等饱和非线性函数，几种函数曲线如图3.7，ReLU函数梯度总是0或1，随着输入变大输出不会趋于饱和，这些特性使得使用ReLU函数激活
【参考文献】：
期刊论文
[1]2017年交通运输行业发展统计公报[J]. 中国物流与采购. 2018(11)
[2]桥梁倒塌事故问题分析[J]. 蔡唐涛,贾彦武. 筑路机械与施工机械化. 2018(05)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]基于南京长江三桥的车辆荷载模型[J]. 林诗枫,黄侨,任远,樊叶华,杨娟. 东南大学学报(自然科学版). 2016(02)
[5]结构健康监测数据科学与工程[J]. 李惠,鲍跃全,李顺龙,张东昱. 工程力学. 2015(08)
[6]非路面式桥梁动态称重研究综述[J]. 任伟新,左小晗,王宁波,何立翔. 中国公路学报. 2014(07)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[8]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[9]基于车-桥耦合振动理论的移动荷载识别[J]. 韩万水,李彦伟,乔磊,赵永祯,杜群乐. 中国公路学报. 2013(01)
[10]公路钢桥疲劳设计荷载标准研究[J]. 周泳涛,鲍卫刚,翟辉,刘延芳. 土木工程学报. 2010(11)
博士论文
[1]公路车辆动态荷载测量及车型分类技术的研究[D]. 张文斌.哈尔滨工业大学 2009
硕士论文
[1]基于数字图像处理的桥梁结构裂缝与位移测量研究[D]. 裴耀东.湖南大学 2017
[2]基于机器视觉的桥梁健康监测与状态评估[D]. 董传智.浙江大学 2016
[3]我国车辆分类方法和标准研究与分析[D]. 闫志强.大连理工大学 2014
本文编号：3004582
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3004582.html
