作為輔助駕駛系統(tǒng)的重要組成部分,道路坑洼檢測(cè)技術(shù)能夠?yàn)檩o助駕駛提供高效、實(shí)用的輔助方法。道路中坑洼多樣,呈現(xiàn)光照不均、形狀不一、遮擋等特點(diǎn)。傳統(tǒng)的算法在檢測(cè)道路坑洼上有一定的局限性,需要人為設(shè)計(jì)坑洼的特征,其算法繁瑣、復(fù)雜,同時(shí)算法的魯棒性不高,不能準(zhǔn)確地對(duì)坑洼進(jìn)行相應(yīng)的檢測(cè)。近年來(lái),隨著計(jì)算機(jī)視覺(jué)的不斷發(fā)展,深度學(xué)習(xí)在其上的應(yīng)用已經(jīng)超越了傳統(tǒng)的圖像方法。面對(duì)復(fù)雜多變的道路坑洼,深度學(xué)習(xí)能夠自動(dòng)地提取圖像的特征,克服了傳統(tǒng)方法的缺陷。因此,針對(duì)上述描述坑洼檢測(cè)的相關(guān)問(wèn)題,其主要研究如下:（1）本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法對(duì)道路坑洼進(jìn)行檢測(cè)。對(duì)于本文的研究,通過(guò)人工采集與互聯(lián)網(wǎng)收集坑洼的多種情形數(shù)據(jù),以及采用圖像旋轉(zhuǎn)、加椒鹽噪聲、裁剪的數(shù)據(jù)增廣方式來(lái)豐富坑洼圖像數(shù)據(jù)。分別構(gòu)建了用于坑洼分類(lèi)的A數(shù)據(jù)集、B數(shù)據(jù)集,以及坑洼檢測(cè)用的C數(shù)據(jù)集,并對(duì)其作相應(yīng)的標(biāo)簽。（2）本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法對(duì)道路的坑洼場(chǎng)景進(jìn)行分類(lèi),在兩種基礎(chǔ)的分類(lèi)網(wǎng)絡(luò)之上,用A數(shù)據(jù)集的道路坑洼訓(xùn)練,得到最佳分類(lèi)網(wǎng)絡(luò)Inception_v1;并結(jié)合道路坑洼的多場(chǎng)景分類(lèi)應(yīng)用對(duì)分類(lèi)網(wǎng)絡(luò)進(jìn)行... 

【文章來(lái)源】：上海師范大學(xué)上海市

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

無(wú)坑洼的道

第2章多場(chǎng)景道路坑洼的基礎(chǔ)分類(lèi)網(wǎng)絡(luò)研究上海師范大學(xué)碩士學(xué)位論文10（a）（b）（c）（d）（e）（f）（g）圖2-1無(wú)坑洼的道路數(shù)據(jù)的各種情形強(qiáng)光下坑洼的道路數(shù)據(jù)包含了圖2-2所示的情形，其中的a、b、c、d分別代表強(qiáng)光下的坑洼道路數(shù)據(jù)下的雨天、雪天、晴天，以及有陰影的情況。（a）（b）（c）（d）圖2-2強(qiáng)光下的坑洼道路數(shù)據(jù)的各種情形弱光下坑洼的道路數(shù)據(jù)包含了圖2-3所示的情形，其中a、b分別代表弱光下的坑洼道路數(shù)據(jù)下的水漬、非水漬情況。（a）（b）圖2-3弱光下的坑洼道路數(shù)據(jù)的各種情形

第2章多場(chǎng)景道路坑洼的基礎(chǔ)分類(lèi)網(wǎng)絡(luò)研究上海師范大學(xué)碩士學(xué)位論文10（a）（b）（c）（d）（e）（f）（g）圖2-1無(wú)坑洼的道路數(shù)據(jù)的各種情形強(qiáng)光下坑洼的道路數(shù)據(jù)包含了圖2-2所示的情形，其中的a、b、c、d分別代表強(qiáng)光下的坑洼道路數(shù)據(jù)下的雨天、雪天、晴天，以及有陰影的情況。（a）（b）（c）（d）圖2-2強(qiáng)光下的坑洼道路數(shù)據(jù)的各種情形弱光下坑洼的道路數(shù)據(jù)包含了圖2-3所示的情形，其中a、b分別代表弱光下的坑洼道路數(shù)據(jù)下的水漬、非水漬情況。（a）（b）圖2-3弱光下的坑洼道路數(shù)據(jù)的各種情形

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的多場(chǎng)景道路坑洼圖像檢測(cè)[J]. 陳鵬,應(yīng)駿.  上海師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別[J]. 董峻妃,鄭伯川,楊澤靜.  計(jì)算機(jī)應(yīng)用. 2017(07)

碩士論文
[1]基于靈敏度剪枝方法的深度神經(jīng)網(wǎng)絡(luò)壓縮實(shí)現(xiàn)研究[D]. 王宇.西安理工大學(xué) 2019
[2]基于深度學(xué)習(xí)的道路裂縫識(shí)別算法研究與實(shí)現(xiàn)[D]. 馮卉.北京郵電大學(xué) 2019
[3]基于人工智能的網(wǎng)絡(luò)異常行為分析[D]. 宋佳明.北京郵電大學(xué) 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別關(guān)鍵技術(shù)的研究與應(yīng)用[D]. 高攀.北京郵電大學(xué) 2019
[5]基于深度神經(jīng)網(wǎng)絡(luò)的遙感影像路面裂縫檢測(cè)方法研究[D]. 楊晨曦.武漢科技大學(xué) 2019
[6]基于深度學(xué)習(xí)的道路場(chǎng)景目標(biāo)檢測(cè)方法研究[D]. 呂致萍.吉林大學(xué) 2019
[7]基于深度學(xué)習(xí)的端到端道路裂縫檢測(cè)技術(shù)研究[D]. 柏嘉洛.華中科技大學(xué) 2019
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)和圖像傳感器的道路多目標(biāo)檢測(cè)研究[D]. 謝一德.北京交通大學(xué) 2018
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)算法研究[D]. 梁曉旭.西安電子科技大學(xué) 2018
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測(cè)研究[D]. 曹朝輝.鄭州大學(xué) 2018



本文編號(hào)：3410364