【摘要】：隨著高等級公路里程數(shù)的增加,公路養(yǎng)護(hù)任務(wù)越來越繁重,快速裂縫檢測識別技術(shù)能為道路養(yǎng)護(hù)提供可靠依據(jù)。裂縫是瀝青路面最早期而常見的病害表現(xiàn)形式,基于數(shù)字圖像處理技術(shù)的路面裂縫識別算法適應(yīng)性受局限,在處理路面高分辨率灰度圖像數(shù)據(jù)時并不能獲得好的識別效果。針對當(dāng)前國內(nèi)外裂縫自動識別算法存在的效率低、精度差的問題,本論文探討了路面影像數(shù)據(jù)采集原理,分析了路面原始圖片數(shù)據(jù)特點(diǎn),總結(jié)了裂縫幾何分布表征,研究了深度學(xué)習(xí)的模型運(yùn)用,設(shè)計了基于深度置信網(wǎng)絡(luò)的路面裂縫識別算法,解決當(dāng)前高效采集和低效處理之間的矛盾,完成了對瀝青路面裂縫的高可靠性和高精度的自動識別。主要研究內(nèi)容如下:(1)介紹了路面影像數(shù)據(jù)的采集原理,從硬件層面分析原始路面圖像中噪聲的根本來源,設(shè)計了針對性的去噪方法;總結(jié)了裂縫病害幾何分布表征,研究了二維路面灰度圖像的分塊方法,建立了可靠的裂縫識別樣本數(shù)據(jù)集,為后續(xù)處理提供可靠基礎(chǔ)。(2)分析了深度置信網(wǎng)絡(luò)DBN的基本原理及其特征提取和分類能力,使用路面裂縫圖像數(shù)據(jù)集,從對單個受限玻爾茲曼機(jī)進(jìn)行重構(gòu)訓(xùn)練的角度研究了DBN的特征提取能力;設(shè)計了基于DBN的路面裂縫識別算法,通過實驗分析了不同的迭代次數(shù)及輸出層節(jié)點(diǎn)數(shù)對訓(xùn)練模型的影響。(3)從模式識別的角度,針對傳統(tǒng)路面裂縫識別算法對于背景對比度低和表現(xiàn)形態(tài)不完整的裂縫存在識別率低下的問題,使用TensorFlow深度學(xué)習(xí)框架,提升了本文研究算法對復(fù)雜路面進(jìn)行特征提取的效率,通過算例及實驗驗證了本文算法的有效性和優(yōu)越性。本文通過研究深度學(xué)習(xí)的基本原理,提出了基于深度置信網(wǎng)絡(luò)模型的裂縫識別方法,并采用前沿的深度學(xué)習(xí)框架TensorFlow實現(xiàn)裂縫識別。在提升識別精度的同時,極大地提高了識別效率。本文研究算法在近百公里瀝青道路檢測中得到實際驗證,實現(xiàn)方案為路面裂縫識別提供了一種新思路,對路面養(yǎng)護(hù)管理決策和路面狀況分析具有重要的借鑒意義。
【學(xué)位授予單位】：湖北工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U418.6
【圖文】：

2( ) ( )21 test testtestMSE y ym= 測值和目標(biāo)值之間的歐幾里得距離（Euclidean distance）增加時因此為了使訓(xùn)練集上的均方誤差 MSEtrain盡可能小，需要求解其：0w train MSE= 2( ) ( )21 0test testwy ym =2( ) ( )210train trainwX ym =( ) ( ) 1 ( ) ( )( )train T train train T trainw X X X y = 式 2.4 推導(dǎo)出解的系統(tǒng)方程（公式 2.5）被稱為正規(guī)方程。此時個簡單的線性回歸算法。圖 2.1 展示了線性回歸算法的使用示例由 MSEtrain最小化時的 w 確定的回歸函數(shù)，在圖中以一條直線對歸擬合。

圖 2.2 常見的三種激活函數(shù)圖 2.3 所示即為引入激活函數(shù)之后，非線性模型處理的分類效果圖。從圖 2.3可以看出，為了完成眾多藍(lán)點(diǎn)和黃點(diǎn)的分類問題，定義了兩個輸入節(jié)點(diǎn)和單隱三個隱藏節(jié)點(diǎn)，最終將分類結(jié)果直接顯示在原圖中。從圖中可以看到統(tǒng)計的訓(xùn)損失值和測試損失值，兩者數(shù)值都是無限趨近于零，證明模型訓(xùn)練成功且泛化好。圖中白色閉合曲線即為模型的最終分效果。可以看出已經(jīng)將兩種顏色的目完全區(qū)分且沒有出錯。

圖 2.2 常見的三種激活函數(shù)圖 2.3 所示即為引入激活函數(shù)之后，非線性模型處理的分類效果圖。從圖 2.3中可以看出，為了完成眾多藍(lán)點(diǎn)和黃點(diǎn)的分類問題，定義了兩個輸入節(jié)點(diǎn)和單隱層三個隱藏節(jié)點(diǎn)，最終將分類結(jié)果直接顯示在原圖中。從圖中可以看到統(tǒng)計的訓(xùn)練損失值和測試損失值，兩者數(shù)值都是無限趨近于零，證明模型訓(xùn)練成功且泛化良好。圖中白色閉合曲線即為模型的最終分效果�？梢钥闯鲆呀�(jīng)將兩種顏色的目標(biāo)完全區(qū)分且沒有出錯。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 彭博;蔣陽升;蒲云;;基于數(shù)字圖像處理的路面裂縫自動分類算法[J];中國公路學(xué)報;2014年09期

2 鄒勤;李清泉;毛慶洲;陳龍;;利用目標(biāo)點(diǎn)最小生成樹的路面裂縫檢測[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2011年01期

3 樊�，|;張國翊;丁愛玲;謝昌榮;徐婷;;BP改進(jìn)算法及其在路面裂縫檢測中的應(yīng)用[J];長安大學(xué)學(xué)報(自然科學(xué)版);2010年01期

4 馬常霞;趙春霞;胡勇;王鴻南;陳海燕;;結(jié)合NSCT和圖像形態(tài)學(xué)的路面裂縫檢測[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2009年12期

5 啜二勇;;國外路面自動檢測系統(tǒng)發(fā)展綜述[J];交通標(biāo)準(zhǔn)化;2009年17期

6 張娟;沙愛民;孫朝云;高懷鋼;;路面裂縫自動識別的圖像增強(qiáng)技術(shù)[J];中外公路;2009年04期

7 伯紹波;閆茂德;孫國軍;賀昱曜;;瀝青路面裂縫檢測圖像處理算法研究[J];微計算機(jī)信息;2007年15期

8 何彩升;戴憲華;向倩;王江;鄧泱泱;戴智明;;基于吉布斯采樣的TFBS識別算法研究[J];計算機(jī)科學(xué);2007年02期

9 施樹明,初秀民,王榮本;瀝青路面破損圖像測量方法研究[J];公路交通科技;2004年07期

10 高建貞,任明武,楊靜宇;一種快速實用的灰度校正算法[J];中國圖象圖形學(xué)報;2002年06期

相關(guān)博士學(xué)位論文 前2條

1 陳宇;基于深度置信網(wǎng)絡(luò)的中文信息抽取方法[D];哈爾濱工業(yè)大學(xué);2014年

2 徐志剛;基于多特征融合的路面破損圖像自動識別技術(shù)研究[D];長安大學(xué);2012年

相關(guān)碩士學(xué)位論文 前1條

1 汪海波;基于深度學(xué)習(xí)的人臉識別方法研究[D];合肥工業(yè)大學(xué);2014年

本文編號：2761302