原文传递
基于并行CNN的不均匀光照破损路面图像分类研究
| 论文题名： | 基于并行CNN的不均匀光照破损路面图像分类研究 |
| 关键词： | 路面裂缝;图像分类;并行CNN;不均匀光照;卷积神经网络 |
| 摘要： | 近年来，随着公路交通的高速发展，裂缝检测作为路面质量监测和养护的重要组成受到了广泛的关注，如何快速准确的识别路面裂缝也逐渐成为研究热点。 本文主要针对光照不均路面裂缝图像，利用并行卷积神经网络对如何提高识别准确率问题进行了研究。论文利用朗伯光照模型，分析和研究了现有光照不变量提取算法，以NSCT为基础，分析了路面裂缝图像受光照影响时光照不变量提取算法的不足，设计了一种光照不变量提取方法并对此进行相关研究与分析。论文在Lenet结构及高层特征融合理论基础上，结合并行同步卷积神经网络进行了相关研究与分析。 利用2000幅共六类受不均匀光照影响的实测破损路面图像为数据集，在Caffe平台GPU计算条件下进行实验，对本文光照不变量提取方法和并行同步神经网络模型进行验证。研究结果表明，原始图像辅以光照不变量特征能有效提高受不均匀光照影响的路面裂缝图像的分类准确率。本文改良了模型各项参数，进一步保证模型性能。 |
| 作者： | 王腾娜 |
| 专业： | 信息与通信工程 |
| 导师： | 郭元术 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
