论文总字数：49345字

摘 要

随着我国公路建设事业的高速发展，公路里程正快速增长，随之产生的各类道路病害也愈来愈多，因此道路检测与养护的重要性日益彰显。目前对道路病害的检测主要依赖人工观测与记录，这种方式的检测周期长、效率低、只能发现较严重的病害；无法及时发现病害产生的初期阶段，并且容易遗漏细微病害而无法在病害形成早期进行干预和养护。为解决这一问题，自动化道路检测系统已被提出并正在被广泛研究。

本文所探究的自动化道路检测方法主要由三部分组成：道路图像数据采集、道路病害识别与分类、道路病害特征提取。道路图像数据采集利用数字图像技术获得海量道路二维或三维数据；采集工具为数据采集车或安装了相应传感器的普通车辆。道路病害识别与分类主要依赖深度学习算法中的卷积神经网络架构，实现从海量道路图像数据中自动识别并分类含有裂缝、坑洞、车辙的道路图像，以最大限度地减少人工识别的成本。道路病害特征提取即使用图像处理算法对道路病害进行精准识别与定位，并定量地描述道路病害的尺寸信息；将同一病害位置不同时间的计算结果进行对比与联系，可以表征道路病害产生与发展的完整过程。

关键词：道路病害、机器学习、计算机视觉、图像处理、卷积神经网络、特征提取

Abstract

With the rapid development of highway construction in our country, highway mileage is growing rapidly, and various kinds of road diseases are becoming more and more. Road detection and maintenance is becoming more and more important. Now the detection of road diseases mainly depends on observation and recording by staff. This method has long detection cycle, low efficiency, and can only detect serious diseases; it can not detect the early stage of disease occurrence in time, and it is easy to omit minor diseases and can not intervene and maintain in the early stage of disease formation. To solve this problem, automatic road detection system is being widely studied.

The automatic road detection method explored in this paper mainly consists of three parts: road image data acquisition, road disease identification and classification, and road disease feature extraction. Road image data acquisition uses digital image technology to obtain massive two-dimensional or three-dimensional road data; acquisition tools are data acquisition vehicles or ordinary vehicles equipped with corresponding sensors. Recognition and classification of road diseases mainly rely on convolution neural network in deep learning algorithm, which can automatically recognize and classify road images containing cracks, pits and ruts from massive road image data, so as to minimize the cost of manual identification. Road disease feature extraction uses image processing algorithm to accurately identify and locate road diseases, and quantitatively describe the size information of road diseases. By comparing and linking the calculation results at different times, the complete process of road disease generation and development can be characterized.

KEY WORDS: Road Distress, Machine Learning, Computer Vision, Image Processing, Convolutional Neural Network, Feature Extraction

目 录

摘 要 Ⅰ

Abstract Ⅱ

第一章 绪论 1

1.1. 研究背景与意义 1

1.2. 路面检测技术研究现状 2

1.2.1. 路面图像数据采集系统 2

1.2.2. 路面病害自动识别算法 5

1.2.3. 路面病害分类算法 8

1.3. 主要研究内容 9

1.4. 技术路线 10

第二章 图像预处理 11

2.1. 图像增强 11

2.2. 路面图像噪声类型 12

2.3. 空间域降噪算法 13

2.3.1. 中值滤波 13

2.3.2. 均值滤波 14

2.3.3. 直方图均衡化 15

2.4. 变换域降噪算法 15

2.5. PDE降噪 16

2.6. 本章小结 16

第三章 人工神经网络的结构及算法 17

3.1. 引言 17

3.2. 多层前馈神经网络 17

3.3. 激励函数 18

3.4. 反向传播算法网络训练 19

3.5. 权重剪枝 20

3.6. 本章小结 21

第四章 基于卷积神经网络的沥青路面病害自动分类 22

4.1. 引言 22

4.2. 卷积神经网络的结构特征 22

4.2.1. 局部感受野 23

4.2.2. 权值共享 24

4.2.3. 多卷积核特征提取 24

4.2.4. 池化层 25

4.2.5. 全连接层与Softmax分类器 25

4.3. 神经网络架构AlexNet 26

4.4. 道路图像自动分类 27

4.4.1. 道路图像数据库 27

4.4.2. 道路图像自动分类的网络训练 28

4.4.3. 分类结果分析 31

4.5. 本章小结 32

第五章 沥青路面病害特征检测 33

5.1. 引言 33

5.2. 道路病害目标检测 33

5.4.1. FasterRCNN迁移学习目标检测 33

5.4.2. 训练样本ROI标记 34

5.4.3. 设置训练参数与神经网络训练 34

5.4.4. 识别结果分析 36

5.3. 裂缝尺度识别与Matlab交互软件编写 39

5.4. 本章小结 41

第六章 结论与展望 42

6.1. 主要结论 42

6.2. 建议与展望 43

参考文献 44

致谢 47

附录 48

绪论

研究背景与意义

我国的公路建设已经度过了高速时期，目前新建公路的速度正在慢慢下降，宏观上正在进入稳定期。中华人民共和国交通运输部于2017年公布的2015年中国公路总里程为4577296公里，路网建设已经基本覆盖了全国范围。由于我国有相当大规模的路网体系，毋庸置疑，道路的检测和养护俨然成为一项重要工作。近年来，随着交通的迅速发展，我国交通量逐年增加，高负荷交通对公路使用性能的需求越来越大，从而导致越来越多的道路面临高质量的检测和养护需求。我国出台的《公路沥青路面养护技术规范》^[1]中明确指出，为了提高公路路面的养护水平，保证路面处于良好的技术状态，必须进行预防性、经常性和周期性的病害调查和养护。

为提高公路养护管理的科学性和统一性，我国目前实行的路面评定标准主要是2018年实行的最新标准《公路技术状况评定标准》(JTG 5210-2018)，该评价方法中主要包含五项分项指标：路面破损状况、行驶质量、车辙状况、跳车指数、磨耗指数、抗滑性能、结构强度^[2]。标准中使用一个规范的综合指标来表示路面的综合性能——路面使用性能指数PQI(pavement quality or performance index)^[3]。PQI指数由PCI(pavement surface condition index),RQI(riding quality index),RDI(rutting depth index), PBI,PWI,SRI(skidding resistance index), PSSI(pavement structure strength index)几项指数得出。下式1.1中指标权重如表1

剩余内容已隐藏，请支付后下载全文，论文总字数：49345字