基于深度学习的混凝土路面裂缝检测

发布时间：2022-01-25 18:09

　　随着我国公路桥梁等基础设施投资体量逐年增加,结构健康问题一直是我国国计民生的重要组成部分。然而,工程结构表面裂缝是评价结构损坏和耐久性的关键指标之一。目前,裂缝检测在实践中主要还是人工检查,该方法工作成本高,劳动强度大且检测效率低。因此,快速及时地掌握公路路面信息,实现结构表面缺陷自动化检测,是亟待解决的工程实践问题。近年来,深度学习在机器视觉领域得到飞速发展,深度学习识别的精确度已经超越了传统的图像识别算法。与传统算法相比,深度学习不需要手工设计特征,能够自动根据原始图像特点进行抽象表达。因此,本文针对混凝土裂缝检测问题,设计了一种能够利用卷积神经网络自动检测混凝土结构图像中裂缝的方法,并应用于混凝土路面裂缝检测中。本文主要内容包括:首先,研究深度学习基础理论。主要介绍了深度学习卷积神经网络的基础理论与原理,即卷积神经网络整体框架、结构功能和训练流程以及常见的目标检测方法。其次,利用深度学习完成裂缝图像分类。采用相机采集混凝土路面图像,并进行图像预处理,创建图像分类数据集。基于AlexNet构架进行结构和超参数的优化,设计混凝土路面裂缝检测模型并对网络进行训练。该模型能够自动学习混凝... 

【文章来源】：河北工程大学河北省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

Komatsu路面检测系统

图 1-1 Komatsu 路面检测系统Fig. 1-1 Komatsu road inspection system美国的 PCES世纪 90 年代初期，Earth Technology Corporation 开发了一种实时路面 PCES 系统[5]。最初的 PCES 系统可以使用分辨率为 512 像素的线扫2.5 米宽的路面图像。通过使用人造光系统，PCES 系统能够在白天以路速度收集图像。 PCES 系统使用具有内置成像算法的数字信号处析其图像。停止其研究的一个重要因素是与图像捕获和处理相关的够成熟。此外，PCES 设计，生产其特定硬件并制作了自己的系统及软不仅价格昂贵，而且还阻碍了研究团队在以后从第三方获得更高性

河北工程大学硕士学位论文3. 加拿大的 WiseCrax 系统ARAN 车辆[6]配备了高分辨率数字视频，超声波传感器，加速度计，陀螺仪，球定位系统（GPS）和距离测量设备的组合，用于收集数据。这些数据可以连续集，交通速度从 25km/h 到公路速度。它还收集路面的数字视频。路面视图的数照片由两个后置式，向下看的摄像机拍摄。在路面性能测量方面，ARAN 使用激测量道路的纵向剖面，测量车辆在道路上方的高度，加速度计监测由表面变形引的垂直力。该轮廓用于计算国际粗糙度指数（IRI），从而提供道路的乘坐舒适性度量。为了分析收集的路面图像，Fugro Roadware 公司开发了 WiseCrax。分析要在收集图像后进行高度的人为干预。

【参考文献】：
期刊论文
[1]基于人工智能与智能手机的混凝土裂纹检测[J]. 赵雪峰,李生元,欧进萍.  物联网技术. 2017(08)
[2]国内路面自动检测系统研究历程及展望[J]. 啜二勇.  中国高新技术企业. 2009(19)
[3]国外路面自动检测系统发展综述[J]. 啜二勇.  交通标准化. 2009(17)

硕士论文
[1]基于深度学习的路面裂缝检查及全面质量管理方法研究[D]. 袁亚超.重庆大学 2017
[2]路面病害自动检测技术研究与系统实现[D]. 胡曦.南京理工大学 2003



本文编号：3608998