隨著公路隧道的不斷建設(shè),公路隧道的病害識別問題、養(yǎng)護問題日益增多,傳統(tǒng)的隧道襯砌裂紋識別工作需要大量人工參與內(nèi)業(yè)工作,效率不高。文章采用隧道快速檢測車所采集的圖像數(shù)據(jù),利用卷積神經(jīng)網(wǎng)絡(luò),研究得出了一套用于定向識別隧道檢測車所拍攝的公路隧道襯砌開裂的模型。根據(jù)訓(xùn)練過程中發(fā)現(xiàn)的問題,針對裂紋數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)識別效果的影響進行了對比研究,證明了按照不同裂紋走勢分類圖像所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)識別能力較好,具有較好的適用性。 

【文章來源】：現(xiàn)代隧道技術(shù). 2020,57(05)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

同巖公司公路隧道快速檢測車

運用Matlab對隧道快速檢測車拍攝的圖像進行簡單的邊緣檢測算法處理，結(jié)果如圖2所示，裂紋分離效果不好，背景干擾大，無法直接有效提取出裂紋特征。4 深度學(xué)習(xí)識別模型

考慮到訓(xùn)練效率和裂紋識別的特點，為了縮短訓(xùn)練時間并且防止過擬合，使用少量的圖像進行訓(xùn)練即可。由于所拍攝的大部分圖像中都不含襯砌裂紋，所以由人工從隧道快速檢測車拍攝的圖像中選取帶裂紋及不帶裂紋的圖像各150張。為了便于訓(xùn)練，調(diào)整圖像亮度和對比度之后，編程進行圖像分割用以制作數(shù)據(jù)集[7]，如圖3所示。為了研究不同數(shù)據(jù)集對訓(xùn)練和識別效果是否存在影響，本文根據(jù)是否區(qū)分裂紋走勢，設(shè)置兩組數(shù)據(jù)集進行訓(xùn)練，其包含的數(shù)據(jù)標(biāo)簽分別為：

【參考文獻】：
期刊論文
[1]公路隧道結(jié)構(gòu)快速檢測車綜述[J]. 楊俊,劉笑娣,劉新根,張平,彭飛.  華東交通大學(xué)學(xué)報. 2018(04)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法設(shè)計與實現(xiàn)[J]. 王振,高茂庭.  現(xiàn)代計算機(專業(yè)版). 2015(20)
[4]圖像物體分類與檢測算法綜述[J]. 黃凱奇,任偉強,譚鐵牛.  計算機學(xué)報. 2014(06)
[5]基于泛滑動窗與2DLDA的單樣本人臉識別[J]. 陳才扣,黃建平,劉永俊.  計算機應(yīng)用. 2007(11)



本文編號：3469170