原文传递
基于矩阵神经网络的沥青路面裂缝图像自动检测算法研究
| 论文题名： | 基于矩阵神经网络的沥青路面裂缝图像自动检测算法研究 |
| 关键词： | 路面裂缝检测;图像处理;多分支结构;矩阵神经网络;裂缝骨架化;特征提取 |
| 摘要： | 随着我国路网结构的不断优化，公路养护任务也在逐渐加重。因此急需对裂缝这种路面破损的早期损伤形式进行有效的自动检测，将安全隐患消灭在萌芽状态。传统的人工检测方式在时效性和专业性等方面都难以满足要求。基于深度学习模型的检测方法虽然网络结构种类丰富，但在路面裂缝检测过程中容易受到外部噪声干扰的影响，且存在模型优化机制不确定以及推理速度慢等问题。为此，本文提出了一种基于矩阵神经网络的沥青路面裂缝检测算法。 本文使用移动设备基于真实环境采集并构建了包含多种外部干扰噪声的沥青路面裂缝数据集。在进行内部数据噪声的降噪预处理之后，使用图像几何变换和自注意力生成对抗网络对样本进行混合数据增强，在对图像进行裁剪标注之后建立了有效的裂缝图像数据集。随后研究了基于多分支结构特征提取网络的路面裂缝图像分割算法，分别针对全局特征提取模块和特征融合模块进行改进，深入研究模型的构建及训练过程。根据模型训练的结果，评判优化器及初始学习率的设置对模型训练产生的影响。最终实现了在模型的复杂度增长有限的情况下提高模型检测精度的目标。 在路面裂缝检测过程中，仅获取裂缝的语义信息尚不足以满足实际需求，因此本文提出了基于矩阵神经网络的沥青路面裂缝检测算法，来实现裂缝区域定位和裂缝掩膜预测的双任务分支要求。该算法通过在主干神经网络之后集成矩阵神经网络，有效提升了模型对多尺度特征信息的学习提取能力。采用基于角点检测的边界框定位方式获取裂缝区域预测框，最终对裂缝检测区域进行掩膜预测得到裂缝的二值图像。最后，设计了一种基于完全并行法的裂缝骨架化算法来对裂缝二值图像进行细化处理。计算得到线性裂缝的长度、平均宽度和最大宽度的相对误差分别为3.15%、5.38%和4.64%，网状裂缝的面积和块度的相对误差分别为3.52%和4.38%。 由此可见，本文提出的基于矩阵神经网络的裂缝检测算法在特定场景下具有良好的检测效果，可以为路面损伤检测算法的更新提供研究思路，并为工程人员的维护工作提供数据支撑。 |
| 作者： | 陈永强 |
| 专业： | 控制科学与工程 |
| 导师： | 李刚 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
