基于图像处理和深度学习的桥梁结构裂缝识别研究
发布时间：2022-02-12 18:53
桥梁结构的健康状况与经济、安全等问题密切相关,目前已建成并投入使用的在役桥梁面临着严峻自然环境、荷载效应、材料老化、疲劳等作用的耦合效用。随着使用时间的增长,在使用荷载或者外在环境的影响下,桥梁结构会产生裂缝并不断扩展和延伸,导致桥梁的安全状况发生变化,影响桥梁的耐久性与使用年限。传统的裂缝检测方法时间成本高、准确率与检测效率低下,易受干扰因素的影响。本文将基于图像处理与深度学习算法,提出高效准确的桥梁裂缝识别算法,为桥梁的安全状态及耐久性评估提供依据,主要研究工作为以下几个方面:（1）探讨了进行桥梁裂缝检测及识别的意义及重要性,综述国内外关于裂缝识别的研究现状,确定本文的研究内容。（2）主要介绍了基于贝叶斯压缩感知方法进行图像重构的过程,分别对信号进行基于离散余弦变换基与小波变换基的稀疏表示,然后实现裂缝图像重构,基于峰值信噪比与重构误差值分析不同采样率下图像的重构性能。（3）基于数字图像处理进行桥梁结构裂缝识别,先对图像进行灰度化、滤波等预处理,再运用最大类间方差法与边缘检测算法进行图像分割,然后进行裂缝的特征提取与识别。对于边缘检测算法,对比了 Sobel算子、LOG算子及Can...
【文章来源】：浙江大学浙江省211工程院校985工程院校教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图１－１桥梁倒塌事故??
实现比较的裂缝识别??效果，且大多数情况下也处理的为灰度图像。本章基于全卷积网络，将深度学习方法应用??到桥梁结构裂缝识别中，可以高效准确的识别桥梁结构裂缝。??第五章：基于图像处理和深度学习的桥梁结构裂缝识别试验??本章基于室内试验图像与现场实际拍摄的桥梁结构裂缝图像，对比分析基于图像处理??技术的方法与全卷积网络方法的适用性，分析两种方法对不同干扰因素的敏感性。??第六章：结论与展望??归纳汇总了本文研究工作，并对今后可以继续提升与改进的研究内容进行展望。??本文技术路线图如图１－３所示。??／？?、??／???＼????Ｉ???１??Ｉ?样疏化处理?１?特征提取??Ｉ???＇??Ｉ??＿；￣ｎｚｉ??１??Ｉ?｜??????Ｉ?观测矩阵设计—贝叶斯理论?１?信息恢复—分类器??Ｉ????Ｉ?１?＇??Ｉ??ｘ??Ｉ??????＇?｜基于贝４斯腿獅的］?Ｉ?????丨丨?｜?图算法?」?，?ｃｉ－ｉｓ、诠卷獅??Ｉ?＾?ｊＣ＝Ｃ＞??????Ｉ?Ｉ图戀化?丨对比分析Ｉ训练集——Ｉ猃证集??与滤波?Ｉ?Ｉ?…?丨见??！?｜目标区域?｜参数识别??｜?ｍ?与提取?Ｉ???Ｘ??．??ｖ???！?￣基于图＿里技术的￣?基于全卷积网络的??裂缝棚彷法?；?深度学习施??！???＇????、?ｖ??■?〇?〇?■??坫ＦＮ像处押．和深度学４的桥梁结构裂缝以別力法??试验齡正??室内混凝缝识别试验?在役桥裂缝识别试验??图１
浙江大学硕士学位论文?第二章基于贝叶斯压缩感知的图像重构算法及重构性能评估??（ｃ）采样率为０．３?（ｄ）采样率为０．４??图２－２基于ＤＷＴ基的ｌｅｎａ图像重构??２．３．１．２裂缝图像??裂缝图像的具有纹理特性，而且裂缝区域有比较明显的边缘轮廓。基于ＤＣＴ基与??ＤＷＴ基的裂缝重构图像如图２－３与图２－４所示，分别展示了采样率为０．１、０．３与０．４时的??重构图像。??由图２－３可以发现，当采样率为０．１时，重构图像稍显模糊，背景部分不够清晰，裂??缝的边缘也稍显模糊，表示在重构图像中并没有采集到足够多的足以精确重构的信息。当??采样率为０．３与０．４时，重构图像质量有所提升，与原图相比几乎无差异，表明当采样率??达到０．３时就足以重构裂缝图像。对比图２－４（ｂ）与图２－３（ｂ），图２－４（ｂ）中的裂缝边缘更为清??晰，表示基于ＤＷＴ基的重构方法性能要好于基于ＤＣＴ基的图像重构方法。当采样率增??加，从直观的视觉判断，即采用主观评价方法，采样率为０．３与０．４时，原始图像中的纹??理特性、细节、裂缝边缘轮廓等信息都被采集到以实现精确的图像重构。从图２－２同样可??以得到，当采样率为０．３与０．４时，重构图像与原图像相比几乎无差异。??２３??
【参考文献】：
期刊论文
[1]基于深度学习的盾构隧道衬砌病害识别方法[J]. 薛亚东,李宜城. 湖南大学学报(自然科学版). 2018(03)
[2]基于图像识别技术的隧道衬砌裂缝检测系统研究[J]. 李健超,张翠兵,柴雪松,薛峰. 铁道建筑. 2018(01)
[3]基于卷积神经网络的路表病害识别与测量[J]. 沙爱民,童峥,高杰. 中国公路学报. 2018(01)
[4]基于深度学习的盾构隧道渗漏水病害图像识别[J]. 黄宏伟,李庆桐. 岩石力学与工程学报. 2017(12)
[5]基于卷积神经网络的桥梁裂缝检测与识别[J]. 刘洪公,王学军,李冰莹,孟洁. 河北科技大学学报. 2016(05)
[6]基于压缩感知的道路交通图像处理及重构算法研究[J]. 张晓东,董唯光,汤旻安. 兰州交通大学学报. 2016(04)
[7]针对合成孔径雷达图像的新型LOG边缘检测算法[J]. 李洪安,张飞,杜卓明,康宝生,李占利. 图学学报. 2015(03)
[8]基于双目立体视觉技术的桥梁裂缝测量系统[J]. 王琳,赵健康,夏轩,龙海辉. 计算机应用. 2015(03)
[9]一种基于贝叶斯压缩感知的图像修复方法[J]. 党宏社,张娜. 河南大学学报(自然科学版). 2014(05)
[10]基于图像处理的地铁隧道裂缝识别算法研究[J]. 王耀东,余祖俊,白彪,许西宁,朱力强. 仪器仪表学报. 2014(07)
硕士论文
[1]基于图像处理的桥梁底面裂缝检测识别方法研究[D]. 占继刚.北京交通大学 2017
[2]基于分布式压缩感知的地铁安全监测数据重构[D]. 王芬.华中科技大学 2015
[3]基于压缩感知的图像重构方法研究[D]. 周宇.西安电子科技大学 2012
本文编号：3622250
【文章来源】：浙江大学浙江省211工程院校985工程院校教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图１－１桥梁倒塌事故??
实现比较的裂缝识别??效果，且大多数情况下也处理的为灰度图像。本章基于全卷积网络，将深度学习方法应用??到桥梁结构裂缝识别中，可以高效准确的识别桥梁结构裂缝。??第五章：基于图像处理和深度学习的桥梁结构裂缝识别试验??本章基于室内试验图像与现场实际拍摄的桥梁结构裂缝图像，对比分析基于图像处理??技术的方法与全卷积网络方法的适用性，分析两种方法对不同干扰因素的敏感性。??第六章：结论与展望??归纳汇总了本文研究工作，并对今后可以继续提升与改进的研究内容进行展望。??本文技术路线图如图１－３所示。??／？?、??／???＼????Ｉ???１??Ｉ?样疏化处理?１?特征提取??Ｉ???＇??Ｉ??＿；￣ｎｚｉ??１??Ｉ?｜??????Ｉ?观测矩阵设计—贝叶斯理论?１?信息恢复—分类器??Ｉ????Ｉ?１?＇??Ｉ??ｘ??Ｉ??????＇?｜基于贝４斯腿獅的］?Ｉ?????丨丨?｜?图算法?」?，?ｃｉ－ｉｓ、诠卷獅??Ｉ?＾?ｊＣ＝Ｃ＞??????Ｉ?Ｉ图戀化?丨对比分析Ｉ训练集——Ｉ猃证集??与滤波?Ｉ?Ｉ?…?丨见??！?｜目标区域?｜参数识别??｜?ｍ?与提取?Ｉ???Ｘ??．??ｖ???！?￣基于图＿里技术的￣?基于全卷积网络的??裂缝棚彷法?；?深度学习施??！???＇????、?ｖ??■?〇?〇?■??坫ＦＮ像处押．和深度学４的桥梁结构裂缝以別力法??试验齡正??室内混凝缝识别试验?在役桥裂缝识别试验??图１
浙江大学硕士学位论文?第二章基于贝叶斯压缩感知的图像重构算法及重构性能评估??（ｃ）采样率为０．３?（ｄ）采样率为０．４??图２－２基于ＤＷＴ基的ｌｅｎａ图像重构??２．３．１．２裂缝图像??裂缝图像的具有纹理特性，而且裂缝区域有比较明显的边缘轮廓。基于ＤＣＴ基与??ＤＷＴ基的裂缝重构图像如图２－３与图２－４所示，分别展示了采样率为０．１、０．３与０．４时的??重构图像。??由图２－３可以发现，当采样率为０．１时，重构图像稍显模糊，背景部分不够清晰，裂??缝的边缘也稍显模糊，表示在重构图像中并没有采集到足够多的足以精确重构的信息。当??采样率为０．３与０．４时，重构图像质量有所提升，与原图相比几乎无差异，表明当采样率??达到０．３时就足以重构裂缝图像。对比图２－４（ｂ）与图２－３（ｂ），图２－４（ｂ）中的裂缝边缘更为清??晰，表示基于ＤＷＴ基的重构方法性能要好于基于ＤＣＴ基的图像重构方法。当采样率增??加，从直观的视觉判断，即采用主观评价方法，采样率为０．３与０．４时，原始图像中的纹??理特性、细节、裂缝边缘轮廓等信息都被采集到以实现精确的图像重构。从图２－２同样可??以得到，当采样率为０．３与０．４时，重构图像与原图像相比几乎无差异。??２３??
【参考文献】：
期刊论文
[1]基于深度学习的盾构隧道衬砌病害识别方法[J]. 薛亚东,李宜城. 湖南大学学报(自然科学版). 2018(03)
[2]基于图像识别技术的隧道衬砌裂缝检测系统研究[J]. 李健超,张翠兵,柴雪松,薛峰. 铁道建筑. 2018(01)
[3]基于卷积神经网络的路表病害识别与测量[J]. 沙爱民,童峥,高杰. 中国公路学报. 2018(01)
[4]基于深度学习的盾构隧道渗漏水病害图像识别[J]. 黄宏伟,李庆桐. 岩石力学与工程学报. 2017(12)
[5]基于卷积神经网络的桥梁裂缝检测与识别[J]. 刘洪公,王学军,李冰莹,孟洁. 河北科技大学学报. 2016(05)
[6]基于压缩感知的道路交通图像处理及重构算法研究[J]. 张晓东,董唯光,汤旻安. 兰州交通大学学报. 2016(04)
[7]针对合成孔径雷达图像的新型LOG边缘检测算法[J]. 李洪安,张飞,杜卓明,康宝生,李占利. 图学学报. 2015(03)
[8]基于双目立体视觉技术的桥梁裂缝测量系统[J]. 王琳,赵健康,夏轩,龙海辉. 计算机应用. 2015(03)
[9]一种基于贝叶斯压缩感知的图像修复方法[J]. 党宏社,张娜. 河南大学学报(自然科学版). 2014(05)
[10]基于图像处理的地铁隧道裂缝识别算法研究[J]. 王耀东,余祖俊,白彪,许西宁,朱力强. 仪器仪表学报. 2014(07)
硕士论文
[1]基于图像处理的桥梁底面裂缝检测识别方法研究[D]. 占继刚.北京交通大学 2017
[2]基于分布式压缩感知的地铁安全监测数据重构[D]. 王芬.华中科技大学 2015
[3]基于压缩感知的图像重构方法研究[D]. 周宇.西安电子科技大学 2012
本文编号：3622250
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3622250.html
