基于隧道快速检测车数据的公路隧道衬砌开裂识别模型研究

发布时间：2021-11-01 00:33

　　随着公路隧道的不断建设,公路隧道的病害识别问题、养护问题日益增多,传统的隧道衬砌裂纹识别工作需要大量人工参与内业工作,效率不高。文章采用隧道快速检测车所采集的图像数据,利用卷积神经网络,研究得出了一套用于定向识别隧道检测车所拍摄的公路隧道衬砌开裂的模型。根据训练过程中发现的问题,针对裂纹数据集对神经网络识别效果的影响进行了对比研究,证明了按照不同裂纹走势分类图像所训练的神经网络识别能力较好,具有较好的适用性。 

【文章来源】：现代隧道技术. 2020,57(05)北大核心CSCD

【文章页数】：5 页

【部分图文】：

同岩公司公路隧道快速检测车

运用Matlab对隧道快速检测车拍摄的图像进行简单的边缘检测算法处理，结果如图2所示，裂纹分离效果不好，背景干扰大，无法直接有效提取出裂纹特征。4 深度学习识别模型

考虑到训练效率和裂纹识别的特点，为了缩短训练时间并且防止过拟合，使用少量的图像进行训练即可。由于所拍摄的大部分图像中都不含衬砌裂纹，所以由人工从隧道快速检测车拍摄的图像中选取带裂纹及不带裂纹的图像各150张。为了便于训练，调整图像亮度和对比度之后，编程进行图像分割用以制作数据集[7]，如图3所示。为了研究不同数据集对训练和识别效果是否存在影响，本文根据是否区分裂纹走势，设置两组数据集进行训练，其包含的数据标签分别为：

【参考文献】：
期刊论文
[1]公路隧道结构快速检测车综述[J]. 杨俊,刘笑娣,刘新根,张平,彭飞.  华东交通大学学报. 2018(04)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]基于卷积神经网络的图像识别算法设计与实现[J]. 王振,高茂庭.  现代计算机(专业版). 2015(20)
[4]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.  计算机学报. 2014(06)
[5]基于泛滑动窗与2DLDA的单样本人脸识别[J]. 陈才扣,黄建平,刘永俊.  计算机应用. 2007(11)



本文编号：3469170