基于CNN的沥青路面病害图像分类识别研究
发布时间：2022-01-14 18:39
目前沥青路面病害检测主要依靠工程车沿道路线行驶,用CCD摄像机采集路面图像,然后进行集中分析处理,在数据量大的情况下非常耗费人力,尤其面对沥青道路的日益扩张,路面病害检测技术亟待提升。有相关研究尝试采用传统机器学习方法解决路面病害图像分类问题,但该类方法以浅层模型为主,一方面模型结构简单,层次数目少,特征提取主要依靠人工完成,很难挖掘出深层次特征,表达能力受限,分类效果并不理想;另一方面道路病害类型多样、形态复杂,采集的路面图像易受到车道线、光照、阴影等污染,常规的图像预处理手段很难适应如此复杂的环境。随着人工智能的迅速发展,基于深度学习的交通领域相关技术智能化受到大量关注,考虑到卷积神经网络尤其擅长处理图像分类问题,本文重点基于CNN方法对沥青路面病害图像的分类识别进行相关研究。主要研究内容如下:第一,提出基于Mask-RCNN与改进Criminisi的沥青路面图像车道线移除方法。以解决含车道线的路面图像数量较多,容易影响CNN最终分类效果的问题。首先利用Mask-RCNN检测车道线区域,依靠检测出的掩模移除车道线,然后用改进Criminisi算法填充空白区域,完成车道线移除。对比实...
【文章来源】：重庆交通大学重庆市
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
典型沥青路面病害图像
MaskR-CNN与改进Criminisi的沥青路面图像车道线移除方法9第二章基于MaskR-CNN与改进Criminisi的沥青路面图像车道线移除方法2.1引言在采用CNN等人工智能方法对路面图像实现自动分类识别时，路面图像中通常会出现白色车道线，车道线区域亮度偏高，边沿处存在强烈的灰度跳变，车道线宽度往往大于裂缝宽度，经CNN卷积、池化操作后，对车道线的特征感知强于裂缝，若含车道线的路面图像数量较多，不仅影响对路面图像的光照校正，还会影响最后的分类结果。故为了削弱其不良影响，本章首先提出一种车道线移除方法，基本流程如图2-1所示，利用MaskR-CNN检出车道线区域，然后将该区域移除，采用改进Criminisi方法修复图像达到移除车道线的目的，为后续工作奠定基矗图2-1沥青路面图像车道线干扰移除流程图2.2基于MaskR-CNN的车道线检测对于车道线检测，国内外有较多的相关研究，传统的方法有基于RANSAC算法、基于Hough变换等[22-24]，这类方法抗噪声性能较好，可以处理检测目标被遮挡的情况，但泛化性差，需要根据不同的道路场景特点手工调节参数，一旦道路环境发生变化，检测效果不佳。随着深度学习技术的出现，深度学习的特征提取过程更智能，提取的特征也更抽象[25-27]。如文献[26]运用可变形卷积神经网络提取不同环境下的道路数据特征，利用模型对车道线进行图像语义分割，并判断车道线类型。这类方法通过网络模型提取多样本图像中车道线的颜色、纹理、形状等特征，比传统方法更准确的区分开车道线和背景，检测效果较好，缺点是车道线被污染与路面背景差异不大时容易漏检或误检。车道线检测实际上是一个目标检测问题。2014年，加州大学伯克利分校的RossB.Girshick提出R-CNN算法[28]，其利用选择性搜索算法与神经网络相结合的方式，
第二章基于MaskR-CNN与改进Criminisi的沥青路面图像车道线移除方法11做取整操作，简单说来就是ROIAlign消除了ROI池化过程中的量化误差。相对FasterR-CNN而言，目标定位更加精确。在最后新增分割Mask分支，可以对车道线区域进行像素级分割。图2-2MaskR-CNN基本结构图从网络的基本结构，可知每一个ROI区域的损失函数来自三个部分：分类误差、检测误差和分割误差，分别对应分类层、回归层、Mask层。故损失函数表示为：maskbboxclass)L()L()L(L(2.1)其中L(class)表示车道线分类损失，是对ROI区域进行类别判断时产生的误差；L(bbox)表示车道线区域的边框回归损失误差；L(mask)表示车道线与路面背景像素的分类损失，即判断该像素是否属于车道线区域产生的误差，等于ROI上所有像素交叉熵的平均值，其中每一个像素均采用Sigmoid函数求二值交叉熵。至此，本章不再对深度学习部分做详细阐述。经该模型测试的输出结果如图2-3(a)所示，蓝色部分表示检测到的车道线区域。图2-3(b)所示为该车道线区域的mask，像素值为1表示检测区域，像素值为0表示背景。(a)检测结果(b)对应的mask图2-3基于MaskR-CNN的车道线检测从检测结果看出mask并不能完全覆盖车道线区域，故对mask做膨胀操作向外扩充区域，确保mask对车道线覆盖完整。2.2.2检测结果与分析该模型训练样本图像共2000张，包含正常路面图像与含病害路面图像，病害主要有横向裂缝、纵向裂缝、网络裂缝以及灌缝，其严重程度不统一。另外，图
【参考文献】：
期刊论文
[1]基于灰度分析的路面裂缝图像分类算法研究[J]. 马晓丽,陆键. 武汉理工大学学报(交通科学与工程版). 2018(05)
[2]深度卷积神经网络在目标检测中的研究进展[J]. 姚群力,胡显,雷宏. 计算机工程与应用. 2018(17)
[3]基于卷积神经网络的车道线语义分割算法[J]. 徐国晟,张伟伟,吴训成,苏金亚,郭增高. 电子测量与仪器学报. 2018(07)
[4]基于稀疏表示和多特征融合的路面裂缝检测[J]. 张玉雪,唐振民,钱彬,徐威. 计算机科学. 2018(07)
[5]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[6]基于离散余弦变换和深度网络的地貌图像分类[J]. 刘芳,路丽霞,黄光伟,王洪娟,王鑫. 光学学报. 2018(06)
[7]基于SVM-Adaboost裂缝图像分类方法研究[J]. 琚晓辉,徐凌. 公路交通科技. 2017(11)
[8]基于Haar-CNN模型的自然场景图像分类的研究[J]. 张慧娜,李裕梅,傅莺莺. 四川师范大学学报(自然科学版). 2017(01)
[9]基于支持向量机的路面图像分类方法[J]. 段瑗,李春书,闫尧. 河北农业大学学报. 2016(06)
[10]样本块搜索和优先权填充的弧形推进图像修复[J]. 刘华明,毕学慧,叶中付,王维兰. 中国图象图形学报. 2016(08)
硕士论文
[1]基于深度学习的车道线检测算法研究[D]. 梁乐颖.北京交通大学 2018
[2]路面病害图像自动分类方法研究[D]. 孙奥.南京理工大学 2008
本文编号：3589008
【文章来源】：重庆交通大学重庆市
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
典型沥青路面病害图像
MaskR-CNN与改进Criminisi的沥青路面图像车道线移除方法9第二章基于MaskR-CNN与改进Criminisi的沥青路面图像车道线移除方法2.1引言在采用CNN等人工智能方法对路面图像实现自动分类识别时，路面图像中通常会出现白色车道线，车道线区域亮度偏高，边沿处存在强烈的灰度跳变，车道线宽度往往大于裂缝宽度，经CNN卷积、池化操作后，对车道线的特征感知强于裂缝，若含车道线的路面图像数量较多，不仅影响对路面图像的光照校正，还会影响最后的分类结果。故为了削弱其不良影响，本章首先提出一种车道线移除方法，基本流程如图2-1所示，利用MaskR-CNN检出车道线区域，然后将该区域移除，采用改进Criminisi方法修复图像达到移除车道线的目的，为后续工作奠定基矗图2-1沥青路面图像车道线干扰移除流程图2.2基于MaskR-CNN的车道线检测对于车道线检测，国内外有较多的相关研究，传统的方法有基于RANSAC算法、基于Hough变换等[22-24]，这类方法抗噪声性能较好，可以处理检测目标被遮挡的情况，但泛化性差，需要根据不同的道路场景特点手工调节参数，一旦道路环境发生变化，检测效果不佳。随着深度学习技术的出现，深度学习的特征提取过程更智能，提取的特征也更抽象[25-27]。如文献[26]运用可变形卷积神经网络提取不同环境下的道路数据特征，利用模型对车道线进行图像语义分割，并判断车道线类型。这类方法通过网络模型提取多样本图像中车道线的颜色、纹理、形状等特征，比传统方法更准确的区分开车道线和背景，检测效果较好，缺点是车道线被污染与路面背景差异不大时容易漏检或误检。车道线检测实际上是一个目标检测问题。2014年，加州大学伯克利分校的RossB.Girshick提出R-CNN算法[28]，其利用选择性搜索算法与神经网络相结合的方式，
第二章基于MaskR-CNN与改进Criminisi的沥青路面图像车道线移除方法11做取整操作，简单说来就是ROIAlign消除了ROI池化过程中的量化误差。相对FasterR-CNN而言，目标定位更加精确。在最后新增分割Mask分支，可以对车道线区域进行像素级分割。图2-2MaskR-CNN基本结构图从网络的基本结构，可知每一个ROI区域的损失函数来自三个部分：分类误差、检测误差和分割误差，分别对应分类层、回归层、Mask层。故损失函数表示为：maskbboxclass)L()L()L(L(2.1)其中L(class)表示车道线分类损失，是对ROI区域进行类别判断时产生的误差；L(bbox)表示车道线区域的边框回归损失误差；L(mask)表示车道线与路面背景像素的分类损失，即判断该像素是否属于车道线区域产生的误差，等于ROI上所有像素交叉熵的平均值，其中每一个像素均采用Sigmoid函数求二值交叉熵。至此，本章不再对深度学习部分做详细阐述。经该模型测试的输出结果如图2-3(a)所示，蓝色部分表示检测到的车道线区域。图2-3(b)所示为该车道线区域的mask，像素值为1表示检测区域，像素值为0表示背景。(a)检测结果(b)对应的mask图2-3基于MaskR-CNN的车道线检测从检测结果看出mask并不能完全覆盖车道线区域，故对mask做膨胀操作向外扩充区域，确保mask对车道线覆盖完整。2.2.2检测结果与分析该模型训练样本图像共2000张，包含正常路面图像与含病害路面图像，病害主要有横向裂缝、纵向裂缝、网络裂缝以及灌缝，其严重程度不统一。另外，图
【参考文献】：
期刊论文
[1]基于灰度分析的路面裂缝图像分类算法研究[J]. 马晓丽,陆键. 武汉理工大学学报(交通科学与工程版). 2018(05)
[2]深度卷积神经网络在目标检测中的研究进展[J]. 姚群力,胡显,雷宏. 计算机工程与应用. 2018(17)
[3]基于卷积神经网络的车道线语义分割算法[J]. 徐国晟,张伟伟,吴训成,苏金亚,郭增高. 电子测量与仪器学报. 2018(07)
[4]基于稀疏表示和多特征融合的路面裂缝检测[J]. 张玉雪,唐振民,钱彬,徐威. 计算机科学. 2018(07)
[5]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新. 计算机科学. 2018(S1)
[6]基于离散余弦变换和深度网络的地貌图像分类[J]. 刘芳,路丽霞,黄光伟,王洪娟,王鑫. 光学学报. 2018(06)
[7]基于SVM-Adaboost裂缝图像分类方法研究[J]. 琚晓辉,徐凌. 公路交通科技. 2017(11)
[8]基于Haar-CNN模型的自然场景图像分类的研究[J]. 张慧娜,李裕梅,傅莺莺. 四川师范大学学报(自然科学版). 2017(01)
[9]基于支持向量机的路面图像分类方法[J]. 段瑗,李春书,闫尧. 河北农业大学学报. 2016(06)
[10]样本块搜索和优先权填充的弧形推进图像修复[J]. 刘华明,毕学慧,叶中付,王维兰. 中国图象图形学报. 2016(08)
硕士论文
[1]基于深度学习的车道线检测算法研究[D]. 梁乐颖.北京交通大学 2018
[2]路面病害图像自动分类方法研究[D]. 孙奥.南京理工大学 2008
本文编号：3589008
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3589008.html
