基于卷积自编码的沥青路面目标与裂缝智能识别

发布时间：2025-01-10 22:12

　　 目前基于深度学习的路面裂缝识别经常面临训练数据集小,以及路面图片标注成本高等问题,基于小规模路面图片数据集,利用卷积自编码(CAE)方法进行数据增强,开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上,采用CAE重构图片方法对原始数据集进行两步骤扩增;利用卷积神经网络DenseNet,设置了不同数据扩增方法的对比试验;针对沥青路面裂缝图片背景较黑,裂缝特征不清晰,无监督聚类学习难度大等问题,采用了一种基于CAE预训练的深度聚类算法DCEC,对经数据增强的路面图片进行无标注的聚类识别。研究结果表明:经过DenseNet网络100代的训练,在同一测试集的测试下,基于原始数据集训练的网络分类准确度为78.43%,利用传统图像处理方法进行扩增后准确度为83.44%,利用所提出的图片增强方法进行数据扩增后准确度达87.19%;在保持扩增后数据集样本量大小相同的情况下,与几何变换、像素颜色变换等经典数据增强手段相比,CAE重构图片的数据扩增方法有较高的路面图片识别精度;CAE数据扩增方法较受训练数据集样本量的影响,利用传统方法将数据集扩增后进行CAE特征学习,重构...

【文章页数】：16 页

【部分图文】：

图1 研究路线

本文研究路线如图1所示。1.2有监督算法

图2 DenseNet网络结构图[29]

本文以DenseNet作为各类数据增强方法的对比验证网络，所使用的DenseNet网络结构框架如图2所示。其中，密集块由多次1×1和3×3卷积操作构成，在3×3卷积之前加入1×1卷积的设计能够减少输入特征映射的数量，从而提高计算效率。两个密集块中间由1×1卷积层及2×2平均池化层....

图1 1 DCEC训练DenseNet过程各指标变化曲线

结束训练后，各数据集经DCEC网络的无监督训练结果见表6。由结果可知，融合了未经重构及重构后图片的数据集C的聚类准确率与仅包含未经重构的数据集A所得的准确率相近，但数据集C的NMI值和ARI值较高。而仅由重构后图片组成的数据集B所得准确率较低，但所得NMI值和ARI值高于数据集A....

图3 自编码器网络结构示意图[30]

传统的自编码方法使用全连接层，对于二维图像，全连接层会造成空间信息的损失，卷积自编码器（ConvolutionalAutoencoder,CAE)[31]将卷积神经网络结构融入自编码器中，利用卷积层代替全连接层，从而较好地保留图片特征信息[32]。其中，编码器中采用与卷积神经网....

本文编号：4025500