原文传递
基于深度学习的桥梁裂缝检测算法的研究
| 论文题名： | 基于深度学习的桥梁裂缝检测算法的研究 |
| 关键词： | 桥梁裂缝检测;深度学习;图像分类;字符分割 |
| 摘要： | 随着我国社会的不断发展，桥梁数量日益增加，桥梁在我国经济发展中的作用也变得越来越重要。而随着桥梁投入使用后的环境侵蚀和负载压力，桥梁表面出现的裂缝如果没有得到及时的检测和修理则可能会造成桥梁垮塌等严重事故，会严重影响人民群众的安全。因此，对桥梁裂缝进行及时的检测和养护非常重要。然而，现阶段基于人工检测存在耗时费力、受主观因素影响大的缺点；基于计算机视觉的裂缝检测算法存在泛化性低、鲁棒性差的问题。 针对上述不足，本文的主要工作如下： 1)设计了基于深度学习的裂缝检测框架，将基于深度学习的图像级裂缝分类算法和基于深度学习的像素级裂缝分割算法结合，设计了一个两阶段的桥梁裂缝检测流程，充分发挥了分类算法速度快和分割算法精度高的优势，提高了裂缝检测效率。 2)设计了一种基于嵌入式SSE（Skip-Squeeze-and-Excitation）模块的图像级裂缝分类模型SSENet（Skip-Squeeze-and-ExcitationNetwork）。通过在SE（Squeeze-and-Excitation）模块中使用跳跃连接策略得到SSE模块，与多尺度特征提取模块ASPP（AtrousSpatialPyramidPooling）模块结合，构成了SSENet。实验中SSENet的裂缝分类准确率实现了97.77%。 3)设计了一种像素级裂缝分割模型SCCDNet（SkipConnectedCrackDetectionNetwork），其采用了深度学习技术。采用密集连接策略设计了解码器模块，通过对不同层学习到的特征图进行重复利用充分考虑不同尺度的裂缝特征，同时降低了模型参数量，提高了模型性能。 4)设计了基于神经架构搜索和LSTM（Longshort-termmemory）的嵌入式模块ASA（AdaptivelySearchingAttention），它可以自动搜索应用注意力机制的最佳位置，避免了手动选择的不确定性和耗时性。实验证明，在裂缝分割数据集上ASA模块可以提高现有模型的性能。 |
| 作者： | 李灏天 |
| 专业： | 光学工程 |
| 导师： | 陈晓冬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
