卷积神经网络及其在图像裂缝识别中的应用

发布时间：2021-06-18 18:46

　　随着数据量的爆炸式增长和计算机硬件水平和运算能力的提升,以卷积神经网络（CNN）为主体框架的深度学习逐渐发展起来,并在多个领域取得了较好的应用。图像中裂缝的自动识别,无论在道路或隧道维护还是对于裂缝型油气藏的探测等方面都起着至关重要的作用,因此将卷积神经网络应用于裂缝图像的识别也颇具意义。本文工作主要分为三方面:第一,针对CNN中优化算法存在的一些不足,提出了将遗传思想与梯度下降法相结合的进化梯度算法,并在卷积神经网络应用于手写体识别的实验中验证了该方法的可行性和优越性;第二,将提出的进化梯度算法应用于裂缝图像的识别,并基于裂缝图像的颜色变化和图像中裂缝形状的特性,提出了改进的超像素分割算法,用于对裂缝图像中裂缝位置和形状等基本信息的提取;第三,为实现裂缝图像端对端的识别过程,使用了基于卷积神经网络的语义分割算法Segnet对裂缝图像进行训练学习,并在训练之前使用数据增强技术建立了大规模的带有精准标签的裂缝数据库,用于解决裂缝图像训练集过少的问题,训练结果良好,可直接得到裂缝图像中裂缝的准确位置信息。总体上,本文提出的改进CNN在处理手写数字识别和裂缝图像识别方面取得了较好的效果,并利... 

【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

传统卷积神经网络对图像的识别与FCN对图像的语义分割的对比[19]

中国石油大学（北京）硕士学位论文-7-图2.2U-NET的网络结构展示[27]Fig.2.2U-NETnetworkstructure图2.3各个领域基于卷积神经网络的语义分割方法[29]Fig.2.3ASurveyofSemanticSegmentationMethodsBasedonConvolutionalNeuralNetworksinVariousFields

中国石油大学（北京）硕士学位论文-7-图2.2U-NET的网络结构展示[27]Fig.2.2U-NETnetworkstructure图2.3各个领域基于卷积神经网络的语义分割方法[29]Fig.2.3ASurveyofSemanticSegmentationMethodsBasedonConvolutionalNeuralNetworksinVariousFields

【参考文献】：
期刊论文
[1]自适应深度卷积神经网络模型构建方法[J]. 邹国锋,傅桂霞,王科俊,高明亮,申晋.  北京邮电大学学报. 2017(04)
[2]卷积神经网络的研究进展综述[J]. 杨斌,钟金英.  南华大学学报(自然科学版). 2016(03)
[3]基于DCNN的图像语义分割综述[J]. 魏云超,赵耀.  北京交通大学学报. 2016(04)
[4]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)
[5]测井及地震裂缝识别研究进展[J]. 孙炜,李玉凤,付建伟,李天义.  地球物理学进展. 2014(03)
[6]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[7]基于图像局部网格特征的隧道衬砌裂缝自动识别[J]. 王平让,黄宏伟,薛亚东.  岩石力学与工程学报. 2012(05)

博士论文
[1]基于路面高精三维图像的裂缝自动识别与分类算法[D]. 彭博.西南交通大学 2014

硕士论文
[1]卷积神经网络在图像分类中的应用研究[D]. 吴正文.电子科技大学 2015



本文编号：3237193