原文传递
基于卷积神经网络的路面裂缝检测研究
| 论文题名： | 基于卷积神经网络的路面裂缝检测研究 |
| 关键词： | 路面养护;裂缝检测;卷积神经网络;半监督学习 |
| 摘要： | 近年来，深度学习技术快速发展，各种高性能神经网络模型相继被提出，并在各个领域得到了广泛应用。将卷积神经网络（Convolutional Neural Network，CNN）应用于路面裂缝智能检测不仅是当前的研究热点之一，而且具有工程实际意义。数据集是训练CNN模型的关键，也是影响裂缝检测效果的主要因素。但传统的监督学习方法需要大量标记的数据集，存在不足之处。一方面，标记过程需要消耗大量劳动力；另一方面，由于裂缝没有固定形状特征，标记易出现人工偏差。针对这些问题，本文开展了基于卷积神经网络模型的路面裂缝检测研究，提出了结合伪标签学习和自校正的改进半监督学习方法。该方法以数据集为研究对象，以获得高质量数据集和高性能神经网络模型为目标，通过半监督学习方法开展了以下几个方面的研究：降低裂缝检测数据标记成本、定义裂缝图像数据分类标签、确定裂缝区域定位中目标对象标记方式、以及分离裂缝语义分割结果中的裂缝像素与其上下文信息。全文的主要工作如下： （1）通过伪标签学习将路面裂缝和背景各单类划分多序列子类，扩展了神经网络模型泛化能力，并提高了裂缝检测精度。路面裂缝图像的实验验证了提出方法的有效性。 （2）针对裂缝数据标签不一致问题，提出了自校正技术，纠正了原始标签中的错误，提高了数据标记质量。 （3）综合多个模型分阶段检测路面裂缝，即首先通过图像分类模型DenseNet结合滑动窗口或直接使用目标检测模型Faster R-CNN对道路图像中裂缝所在的区域进行定位，然后使用DeepLabv3+进行对裂缝区域语义分割识别裂缝，获取裂缝像素等信息，计算裂缝长度等参数。研究结果表明，提出的方法能够降低误检率，减少人工标记路面裂缝数据集的工作量。 |
| 作者： | 陈伟华 |
| 专业： | 土木工程 |
| 导师： | 高兴军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广东工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
