基于深度置信网络的路面裂缝识别算法研究

发布时间：2020-07-18 19:01

【摘要】：随着高等级公路里程数的增加,公路养护任务越来越繁重,快速裂缝检测识别技术能为道路养护提供可靠依据。裂缝是沥青路面最早期而常见的病害表现形式,基于数字图像处理技术的路面裂缝识别算法适应性受局限,在处理路面高分辨率灰度图像数据时并不能获得好的识别效果。针对当前国内外裂缝自动识别算法存在的效率低、精度差的问题,本论文探讨了路面影像数据采集原理,分析了路面原始图片数据特点,总结了裂缝几何分布表征,研究了深度学习的模型运用,设计了基于深度置信网络的路面裂缝识别算法,解决当前高效采集和低效处理之间的矛盾,完成了对沥青路面裂缝的高可靠性和高精度的自动识别。主要研究内容如下:(1)介绍了路面影像数据的采集原理,从硬件层面分析原始路面图像中噪声的根本来源,设计了针对性的去噪方法;总结了裂缝病害几何分布表征,研究了二维路面灰度图像的分块方法,建立了可靠的裂缝识别样本数据集,为后续处理提供可靠基础。(2)分析了深度置信网络DBN的基本原理及其特征提取和分类能力,使用路面裂缝图像数据集,从对单个受限玻尔兹曼机进行重构训练的角度研究了DBN的特征提取能力;设计了基于DBN的路面裂缝识别算法,通过实验分析了不同的迭代次数及输出层节点数对训练模型的影响。(3)从模式识别的角度,针对传统路面裂缝识别算法对于背景对比度低和表现形态不完整的裂缝存在识别率低下的问题,使用TensorFlow深度学习框架,提升了本文研究算法对复杂路面进行特征提取的效率,通过算例及实验验证了本文算法的有效性和优越性。本文通过研究深度学习的基本原理,提出了基于深度置信网络模型的裂缝识别方法,并采用前沿的深度学习框架TensorFlow实现裂缝识别。在提升识别精度的同时,极大地提高了识别效率。本文研究算法在近百公里沥青道路检测中得到实际验证,实现方案为路面裂缝识别提供了一种新思路,对路面养护管理决策和路面状况分析具有重要的借鉴意义。
【学位授予单位】：湖北工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U418.6
【图文】：

线性回归,示例,算法,正规方程

2( ) ( )21 test testtestMSE y ym= 测值和目标值之间的欧几里得距离（Euclidean distance）增加时因此为了使训练集上的均方误差 MSEtrain尽可能小，需要求解其：0w train MSE= 2( ) ( )21 0test testwy ym =2( ) ( )210train trainwX ym =( ) ( ) 1 ( ) ( )( )train T train train T trainw X X X y = 式 2.4 推导出解的系统方程（公式 2.5）被称为正规方程。此时个简单的线性回归算法。图 2.1 展示了线性回归算法的使用示例由 MSEtrain最小化时的 w 确定的回归函数，在图中以一条直线对归拟合。

激活函数,分类问题,模型训练,闭合曲线

图 2.2 常见的三种激活函数图 2.3 所示即为引入激活函数之后，非线性模型处理的分类效果图。从图 2.3可以看出，为了完成众多蓝点和黄点的分类问题，定义了两个输入节点和单隐三个隐藏节点，最终将分类结果直接显示在原图中。从图中可以看到统计的训损失值和测试损失值，两者数值都是无限趋近于零，证明模型训练成功且泛化好。图中白色闭合曲线即为模型的最终分效果。可以看出已经将两种颜色的目完全区分且没有出错。

效果图,非线性模型,效果图,问题

图 2.2 常见的三种激活函数图 2.3 所示即为引入激活函数之后，非线性模型处理的分类效果图。从图 2.3中可以看出，为了完成众多蓝点和黄点的分类问题，定义了两个输入节点和单隐层三个隐藏节点，最终将分类结果直接显示在原图中。从图中可以看到统计的训练损失值和测试损失值，两者数值都是无限趋近于零，证明模型训练成功且泛化良好。图中白色闭合曲线即为模型的最终分效果。可以看出已经将两种颜色的目标完全区分且没有出错。

【参考文献】