基于RCF的裂缝检测及分类算法研究
发布时间：2021-08-26 22:34
随着时间的增长,自然灾害的侵蚀及人为的破坏,混凝土道路将会出现严重的病害进而影响到出行安全。裂缝是混凝土公路病害的早期表现形式,智能裂缝检测方法可以避免人工检测带来的检测效率低、周期长、成本高的问题,是目前裂缝领域的热点。因此,快速智能的裂缝检测方法研究,具有一定的研究意义和应用价值。本文研究了国内外混凝土路面裂缝检测算法及其存在的优缺点,通过对裂缝特征与技术难点问题进行分析,针对现有裂缝检测算法的不足,提出了改进的检测方法,本文的主要研究工作包括:1.使用微调的LeNet-5模型对裂缝图像进行分类。智能裂缝采集车获得的图像是一组连续的图像集,图像中含有真实裂缝的图像为有效裂缝图像,而这部分有效裂缝图像占总的图像集的比例是非常小的,如果对图像集中的每一幅图像进行检测,就会花费大量时间。针对该问题,设置具五类图像数据集（伪裂缝、裂缝、植物、完整表面、人工划痕）,通过训练微调的LeNet-5模型,识别出其中的有效裂缝图像,减少裂缝检测的时间开销。2.修改Richer Convolutional Features（RCF）网络结构,提高裂缝检测准确性。RCF模型在检测裂缝图像时,出现裂缝图像...
【文章来源】：重庆邮电大学重庆市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
混凝土超声波检测仪
重庆邮电大学硕士学位论文第2章裂缝分析技术8此时的混凝土内部结构还未形成严重病害。网状裂缝分为龟裂裂缝、块状裂缝，该类裂缝破坏性较强，造成的破坏面积更大，形状呈网状生长，往往由于简单裂缝没有及时得到修护造成，此类裂缝已经严重影响到了道路的使用寿命和行车安全。干扰裂缝主要是裂缝出现在道路标识线、植物等附近，给裂缝识别带来了一定影响。当裂缝形状特征差异较大时，裂缝特征将会表现出差异性，在使用基于图像的裂缝检测算法时，将加大裂缝特征提取难度，使用边缘检测对干扰裂缝进行检测时，该方法对于裂缝图像中干扰物体的边缘往往不能区分，因此经典的裂缝检测方法有很大的局限性。(a)线性裂缝(b)网状裂缝(c)干扰裂缝图2.1不同类型的裂缝2.灰度特征。在裂缝图像中，裂缝像素与背景区域像素相比，背景区域灰度值显然要高于裂缝区域灰度值。且在同一幅图像中，裂缝区域的灰度值都比较低，背景区域灰度值都比较高，裂缝区域和背景区域的灰度值有明显的差别。根据裂缝灰度特征，经典的阈值分割方法能够容易的对裂缝图像进行分割，但是部分裂缝图像中还存在阴影、光照、污迹等干扰因素，特别是污迹和阴影等干扰因素和裂缝具有相同的灰度特征，该方法不能很好区分裂缝和这些干扰因素，在复杂多噪音的情况下存在很大的局限性。
重庆邮电大学硕士学位论文第2章裂缝分析技术8此时的混凝土内部结构还未形成严重病害。网状裂缝分为龟裂裂缝、块状裂缝，该类裂缝破坏性较强，造成的破坏面积更大，形状呈网状生长，往往由于简单裂缝没有及时得到修护造成，此类裂缝已经严重影响到了道路的使用寿命和行车安全。干扰裂缝主要是裂缝出现在道路标识线、植物等附近，给裂缝识别带来了一定影响。当裂缝形状特征差异较大时，裂缝特征将会表现出差异性，在使用基于图像的裂缝检测算法时，将加大裂缝特征提取难度，使用边缘检测对干扰裂缝进行检测时，该方法对于裂缝图像中干扰物体的边缘往往不能区分，因此经典的裂缝检测方法有很大的局限性。(a)线性裂缝(b)网状裂缝(c)干扰裂缝图2.1不同类型的裂缝2.灰度特征。在裂缝图像中，裂缝像素与背景区域像素相比，背景区域灰度值显然要高于裂缝区域灰度值。且在同一幅图像中，裂缝区域的灰度值都比较低，背景区域灰度值都比较高，裂缝区域和背景区域的灰度值有明显的差别。根据裂缝灰度特征，经典的阈值分割方法能够容易的对裂缝图像进行分割，但是部分裂缝图像中还存在阴影、光照、污迹等干扰因素，特别是污迹和阴影等干扰因素和裂缝具有相同的灰度特征，该方法不能很好区分裂缝和这些干扰因素，在复杂多噪音的情况下存在很大的局限性。
【参考文献】：
期刊论文
[1]融合图卷积网络模型的无监督社区检测算法[J]. 姜东明,杨火根. 计算机工程与应用. 2020(20)
[2]半监督学习研究的述评[J]. 韩嵩,韩秋弘. 计算机工程与应用. 2020(06)
[3]基于AVX2指令集的深度学习混合运算策略[J]. 蒋文斌,王宏斌,刘湃,陈雨浩. 清华大学学报(自然科学版). 2020(05)
[4]基于改进的卷积神经网络图像识别方法[J]. 张珂,侯捷. 科学技术与工程. 2020(01)
[5]基于卷积神经网络的混凝土路面裂缝检测[J]. 王丽苹,高瑞贞,张京军,王二成. 计算机科学. 2019(S2)
[6]基于神经网络的无人机拍摄图像识别[J]. 赵琪,孙立双,袁阳. 中国科技论文. 2019(11)
[7]基于四旋翼无人机的桥梁裂缝检测系统设计[J]. 徐昊,彭雪村,卢志芳. 水利水运工程学报. 2018(01)
[8]利用高精度三维测量技术进行路面破损检测[J]. 李清泉,邹勤,张德津. 武汉大学学报(信息科学版). 2017(11)
[9]结合路面深度影像梯度方向直方图和分水岭算法的裂缝检测[J]. 靳华中,万方,叶志伟. 华中师范大学学报(自然科学版). 2017(05)
[10]形态学与区域延伸相结合的图像裂缝检测算法研究[J]. 瞿中,林丽丹,郭阳. 计算机科学. 2014(11)
硕士论文
[1]基于无人机视觉的大型建筑物表面裂缝检测技术研究[D]. 吴生宇.广西大学 2019
[2]基于结构光的路面裂缝检测关键技术研究[D]. 朱春省.南京航空航天大学 2017
[3]基于图像分析的路面裂缝检测方法与识别研究[D]. 姜吉荣.南京邮电大学 2016
[4]改进渗流模型的混凝土路面图像裂缝检测算法研究[D]. 郭阳.重庆邮电大学 2016
[5]超声波在混凝土裂缝检测中的物理模拟研究[D]. 李阳.西南交通大学 2016
[6]瑞利面波检测混凝土裂缝的方法研究[D]. 陈晓峰.长江大学 2014
本文编号：3365095
【文章来源】：重庆邮电大学重庆市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
混凝土超声波检测仪
重庆邮电大学硕士学位论文第2章裂缝分析技术8此时的混凝土内部结构还未形成严重病害。网状裂缝分为龟裂裂缝、块状裂缝，该类裂缝破坏性较强，造成的破坏面积更大，形状呈网状生长，往往由于简单裂缝没有及时得到修护造成，此类裂缝已经严重影响到了道路的使用寿命和行车安全。干扰裂缝主要是裂缝出现在道路标识线、植物等附近，给裂缝识别带来了一定影响。当裂缝形状特征差异较大时，裂缝特征将会表现出差异性，在使用基于图像的裂缝检测算法时，将加大裂缝特征提取难度，使用边缘检测对干扰裂缝进行检测时，该方法对于裂缝图像中干扰物体的边缘往往不能区分，因此经典的裂缝检测方法有很大的局限性。(a)线性裂缝(b)网状裂缝(c)干扰裂缝图2.1不同类型的裂缝2.灰度特征。在裂缝图像中，裂缝像素与背景区域像素相比，背景区域灰度值显然要高于裂缝区域灰度值。且在同一幅图像中，裂缝区域的灰度值都比较低，背景区域灰度值都比较高，裂缝区域和背景区域的灰度值有明显的差别。根据裂缝灰度特征，经典的阈值分割方法能够容易的对裂缝图像进行分割，但是部分裂缝图像中还存在阴影、光照、污迹等干扰因素，特别是污迹和阴影等干扰因素和裂缝具有相同的灰度特征，该方法不能很好区分裂缝和这些干扰因素，在复杂多噪音的情况下存在很大的局限性。
重庆邮电大学硕士学位论文第2章裂缝分析技术8此时的混凝土内部结构还未形成严重病害。网状裂缝分为龟裂裂缝、块状裂缝，该类裂缝破坏性较强，造成的破坏面积更大，形状呈网状生长，往往由于简单裂缝没有及时得到修护造成，此类裂缝已经严重影响到了道路的使用寿命和行车安全。干扰裂缝主要是裂缝出现在道路标识线、植物等附近，给裂缝识别带来了一定影响。当裂缝形状特征差异较大时，裂缝特征将会表现出差异性，在使用基于图像的裂缝检测算法时，将加大裂缝特征提取难度，使用边缘检测对干扰裂缝进行检测时，该方法对于裂缝图像中干扰物体的边缘往往不能区分，因此经典的裂缝检测方法有很大的局限性。(a)线性裂缝(b)网状裂缝(c)干扰裂缝图2.1不同类型的裂缝2.灰度特征。在裂缝图像中，裂缝像素与背景区域像素相比，背景区域灰度值显然要高于裂缝区域灰度值。且在同一幅图像中，裂缝区域的灰度值都比较低，背景区域灰度值都比较高，裂缝区域和背景区域的灰度值有明显的差别。根据裂缝灰度特征，经典的阈值分割方法能够容易的对裂缝图像进行分割，但是部分裂缝图像中还存在阴影、光照、污迹等干扰因素，特别是污迹和阴影等干扰因素和裂缝具有相同的灰度特征，该方法不能很好区分裂缝和这些干扰因素，在复杂多噪音的情况下存在很大的局限性。
【参考文献】：
期刊论文
[1]融合图卷积网络模型的无监督社区检测算法[J]. 姜东明,杨火根. 计算机工程与应用. 2020(20)
[2]半监督学习研究的述评[J]. 韩嵩,韩秋弘. 计算机工程与应用. 2020(06)
[3]基于AVX2指令集的深度学习混合运算策略[J]. 蒋文斌,王宏斌,刘湃,陈雨浩. 清华大学学报(自然科学版). 2020(05)
[4]基于改进的卷积神经网络图像识别方法[J]. 张珂,侯捷. 科学技术与工程. 2020(01)
[5]基于卷积神经网络的混凝土路面裂缝检测[J]. 王丽苹,高瑞贞,张京军,王二成. 计算机科学. 2019(S2)
[6]基于神经网络的无人机拍摄图像识别[J]. 赵琪,孙立双,袁阳. 中国科技论文. 2019(11)
[7]基于四旋翼无人机的桥梁裂缝检测系统设计[J]. 徐昊,彭雪村,卢志芳. 水利水运工程学报. 2018(01)
[8]利用高精度三维测量技术进行路面破损检测[J]. 李清泉,邹勤,张德津. 武汉大学学报(信息科学版). 2017(11)
[9]结合路面深度影像梯度方向直方图和分水岭算法的裂缝检测[J]. 靳华中,万方,叶志伟. 华中师范大学学报(自然科学版). 2017(05)
[10]形态学与区域延伸相结合的图像裂缝检测算法研究[J]. 瞿中,林丽丹,郭阳. 计算机科学. 2014(11)
硕士论文
[1]基于无人机视觉的大型建筑物表面裂缝检测技术研究[D]. 吴生宇.广西大学 2019
[2]基于结构光的路面裂缝检测关键技术研究[D]. 朱春省.南京航空航天大学 2017
[3]基于图像分析的路面裂缝检测方法与识别研究[D]. 姜吉荣.南京邮电大学 2016
[4]改进渗流模型的混凝土路面图像裂缝检测算法研究[D]. 郭阳.重庆邮电大学 2016
[5]超声波在混凝土裂缝检测中的物理模拟研究[D]. 李阳.西南交通大学 2016
[6]瑞利面波检测混凝土裂缝的方法研究[D]. 陈晓峰.长江大学 2014
本文编号：3365095
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3365095.html
最近更新
教材专著
