在施工初始缺陷、長期交變荷載和突發(fā)事件過載的共同作用下,橋梁結構易出現(xiàn)各種病害,例如表面裂縫,混凝土塊剝落,鋼筋外露等。這些病害可能導致混凝土分層與開裂、結構構件承載能力降低,甚至可能引發(fā)重大安全事故。然而,橋梁結構數(shù)量多、體量大,常規(guī)的人工檢查已較難滿足眾多橋梁日常檢查的需求;同時,橋梁結構的外表面需借助昂貴的輔助設備才能接近檢查,致使檢查耗時多、費用高且存在一定的人身安全風險。因此,通過無人機拍攝橋梁表觀的數(shù)字圖像,并從圖像中自動識別、分類病害成為解決橋梁病害檢查的發(fā)展方向。本文基于圖像處理技術改進病害圖像目標多樣性不足、輪廓細節(jié)不清晰的缺點,結合深度學習目標識別算法,建立基于圖像處理和深度學習的鋼筋混凝土橋梁表觀病害識別方法,為通過無人機拍攝數(shù)字圖像實現(xiàn)鋼筋混凝土橋梁表觀病害的自動檢測、分類提供技術支撐。本文的主要研究內(nèi)容及結論如下:（1）采用遷移學習改進YOLOv3目標識別算法。詳細研究YOLOv3算法的網(wǎng)絡結構以及在目標檢測、分類上的原理。針對結構病害圖片數(shù)量較難滿足YOLOv3算法要求的問題,結合遷移學習策略,采用ImageNet圖像集對YOLOv3算法進行預訓練,以捕獲圖... 

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于圖像處理技術階段
        1.2.2 基于手工特征提取與分類器組合階段
        1.2.3 基于特征自動提取的深度學習階段
    1.3 本文主要工作內(nèi)容
2 鋼筋混凝土橋梁表觀病害分類及數(shù)據(jù)標記
    2.1 引言
    2.2 橋梁表面缺陷的形成原因及其分類
    2.3 鋼筋混凝土橋梁表觀病害數(shù)據(jù)庫
        2.3.1 病害目標的標記特征分析
        2.3.2 病害圖像數(shù)據(jù)標記
    2.4 本章小結
3 基于YOLOV3深度學習增強的目標識別算法
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡
        3.2.1 卷積層
        3.2.2 池化層
        3.2.3 全連接層及分類器
    3.3 YOLO系列目標檢測算法
        3.3.1 YOLO算法
        3.3.2 YOLOv2算法
        3.3.3 YOLOv3算法
        3.3.4 目標檢測評價指標
    3.4 基于遷移學習增強的YOLOv3目標識別算法
        3.4.1 遷移學習的理論
        3.4.2 基于模型的遷移學習
        3.4.3 基于模型的遷移學習的YOLOv3訓練框架
        3.4.4 VOC數(shù)據(jù)集
        3.4.5 計算環(huán)境與網(wǎng)絡參數(shù)
        3.4.6 實驗結果
    3.5 基于遷移學習增強的YOLOv3病害識別
        3.5.1 病害目標識別評價指標
        3.5.2 病害識別算例研究
    3.6 本章小結
4 基于數(shù)字圖像預處理改進的病害識別
    4.1 引言
    4.2 圖像增強
        4.2.1 圖像增強算法概述
        4.2.2 拉普拉斯圖像銳化
        4.2.3 算例研究
    4.3 基于拉普拉斯圖像銳化增強的病害識別
    4.4 數(shù)據(jù)增強
        4.4.1 數(shù)據(jù)增強概述
        4.4.2 仿射變換數(shù)據(jù)增強
    4.5 基于仿射變換數(shù)據(jù)增強的病害識別
    4.6 本章小結
5 基于圖像處理與增強的YOLOV3的病害識別
    5.1 引言
    5.2 鋼筋混凝土橋梁表觀病害識別方法的建立
        5.2.1 病害目標檢測步驟
        5.2.2 基于RCDD-YOLO的病害識別
    5.3 不同檢測框架對比
    5.4 影響因素及參數(shù)分析
        5.4.1 圖像影響因素分析
        5.4.2 網(wǎng)絡參數(shù)分析
    5.5 本章小結
6 結論與展望
    6.1 本文的主要工作和結論
    6.2 研究展望
參考文獻
附錄
    A 作者在攻讀碩士學位期間發(fā)表的論文
    B 學位論文數(shù)據(jù)集
致謝


【參考文獻】：
期刊論文
[1]基于圖像特征值的混凝土橋梁表面病害圖像分類[J]. 陳飛飛,張宇峰,韓曉健.  結構工程師. 2018(01)
[2]干線公路病險橋梁統(tǒng)計與典型病害研究[J]. 渠廣鎮(zhèn),周廣利,鐘軍.  山東交通科技. 2015(06)
[3]近15年國內(nèi)橋梁坍塌事故的原因和風險分析[J]. 易仁彥,周瑞峰,黃茜.  交通科技. 2015(05)
[4]遷移學習支持下的遙感影像對象級分類樣本自動選擇方法[J]. 吳田軍,駱劍承,夏列鋼,楊海平,沈占鋒,胡曉東.  測繪學報. 2014(09)
[5]某超高層建筑火災后混凝土結構檢測鑒定與修復加固[J]. 翟傳明,韓慶華,郭雨非,盧燕,鄭佳明.  建筑結構. 2013(19)
[6]一種SLIP模型的圖像增強新算法[J]. 張廣燕,王俊平,汪松,曹洪花,許丹,李錦,李長江.  西安電子科技大學學報. 2014(01)
[7]混凝土橋梁下部結構病害分析與加固[J]. 何曉陽,項貽強,邢騁.  重慶交通大學學報(自然科學版). 2013(S1)
[8]鋼筋混凝土結構的病害[J]. 楊曉明,韓志強.  硅酸鹽通報. 2013(05)
[9]民國建筑鋼筋混凝土結構檢測鑒定及加固技術[J]. 淳慶,周琦.  建筑技術. 2013(02)
[10]既有混凝土橋梁疲勞壽命與使用安全評估[J]. 王春生,周江,吳全有,王玉嬌,董小紅.  中國公路學報. 2012(06)

博士論文
[1]基于無人機高分影像的空心村建筑物信息獲取關鍵技術研究[D]. 李政.西南交通大學 2018

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的遷移學習算法研究及其在細粒度圖像識別中的應用[D]. 聶建政.西安電子科技大學 2018
[2]基于遷移學習的電商圖片物體識別[D]. 劉達榮.廣州大學 2018
[3]基于深度學習的目標檢測算法研究[D]. 張志豪.電子科技大學 2018
[4]基于深度學習與散射變換的信號分類研究[D]. 許周樂.重慶大學 2018
[5]基于深度卷積神經(jīng)網(wǎng)絡和無監(jiān)督K均值特征的SAR圖像目標識別方法研究[D]. 劉凱品.五邑大學 2017
[6]面向圖像去霧處理全局化增強方法的研究與應用[D]. 孫曉曉.山東師范大學 2017
[7]混凝土裂縫特征信息識別與辨析研究[D]. 陳紹磊.中南大學 2013
[8]基于紅外攝像的連鑄坯表面質(zhì)量在線監(jiān)測方法的研究[D]. 陳靈光.浙江大學 2013
[9]基于光流場的視頻車輛檢測與跟蹤算法研究與應用[D]. 劉濤.武漢科技大學 2011
[10]圖像銳化的研究[D]. 劉三國.曲阜師范大學 2011



本文編號：3722755