摘要：传统路面缺陷检测研究中所使用的单一裂缝类纹理特征,在复杂道路状况下不能实现对其他路面缺陷的有效识别。...传统路面缺陷检测研究中所使用的单一裂缝类纹理特征,在复杂道路状况下不能实现对其他路面缺陷的有效识别。一方面,路面凹坑是存在于公路路面中常见的病害类型,需要有效的方法对其进行识别分析;另一方面,道路上除了完好路段和带缺陷的路段外,还会出现路面垃圾杂物、太阳光照射产生的树荫和旁车等干扰,传统路面缺陷方法容易出现误判和漏判现象,识别效率低且效果不理想。以往靠人工作业来对路面状况进行判定的方法已经不适合当今对高质量的公路维护任务的要求,路面缺陷识别方法需要更高效地检测手段。深度学习方法在图像和机器视觉领域得到广泛研究和应用,受到深度学习方法的启发,本文以深层卷积神经网络作为研究方法,以多种路面缺陷为对象,研究了卷积神经网络CNN在路面病害缺陷识别中的应用,利用一个训练好的深层卷积神经网络,完成对公路路面缺陷特征的自动提取,实现了对裂缝类、凹坑类、路面垃圾杂物和完好路面等类型的分类。文章在Caffe设计框架的基础上,对原VGG模型进行了改进和参数的优化,利用数据集增强方法扩充了原始数据,将数据用于卷积神经网络的训练,测试结果表明研究方法的可行性。本论文的研究工作主要体现为以下几个部分:(1)充分分析了国内外现有道路缺陷检测方法的特点和适用情况,针对复杂路面缺陷检测需求,研究深层卷积神经网络对于路面缺陷数据进行分类的方法。(2)整理了大量路面缺陷类型数据集,并进行了人工标注。在近万张图片中,筛选出裂缝类、凹坑类、路面垃圾杂物和完好路面图片,对于数据样本较为稀疏的类别,采用了数据集增强技术,扩充了原有数据样本。采用全局对比度归一化的图像预处理方法以及数据集增强技术丰富化缺陷特征,提高了神经网络的泛化能力。(3)研究了多种深层卷积神经网络模型结构,选用了VGG作为最终研究对象,并且对其网络结构优化,使之适用于对多种路面缺陷分类识别。采用了正则化损失和自适应学习率等优化算法,降低了模型的泛化误差。(4)基于Caffe框架搭建了改进的神经网络模型结构,搭建相关实验环境,将实验路面缺陷数据集进行格式转换后输入到模型中进行训练,并与AlexNet模型和原VGG模型作了对比实验。(5)基于Visual Studio 2013+MFC设计了路面缺陷识别软件,分为在线和离线检测模式,软件直观地显示本文研究算法对路面缺陷的识别效果。更多还原显示全部
