论文总字数：28959字

摘 要

路面裂缝病害作为道路病害的主要形式，如不及时处置将危害公共行车安全。随着机器学习技术的发展，人们开始利用图像处理技术和神经网络来检测土木基础设施的缺陷，以部分取代人工进行的现场检查。本文提出了一种基于深度卷积神经网络的方法，利用分类模型算法筛除不含裂缝的图像后，使用分割模型算法检测筛余图像的路面裂缝病害的具体位置。CNN分类模型配置一定的卷积、池化操作后，使用全连接层进行图像处理；CNN分割模型仅使用卷积层对图像进行处理。分类模型分别使用150×150像素图像及50×50像素图像进行训练和测试；分割模型使用50×50像素图像进行训练和测试，并使用额外的路面图像进行总模型测试。测试结果表明，卷积神经网络分类模型均可达到98%以上的查全率，分割模型可达到96%以上的精度，整体模型精度达到93%以上，本算法与全图分割算法相比，在精度损失很小的情况下，极大提高了运算速度，未来可用于辅助或替代人工检查。

关键词：路面自动检测，深度学习，卷积神经网络，图像识别，语义分割

Abstract

Pavement crack disease is the main form of road disease, if not handled in time, it will endanger public traffic safety. With the development of machine learning technology, people begin to use image processing technology and neural network to detect the defects of civil infrastructure, in order to partly replace manual on-site inspection. In this paper, a method based on depth convolution neural network is proposed. After the classification model algorithm is used to screen the image without cracks, the segmentation model algorithm is used to detect the specific location of the pavement cracks in the residual image. CNN classification model configures certain convolution and pooling operations, then uses full connection layer for image processing; CNN segmentation model only uses convolution layer for image processing. The classification model is trained and tested with 150 *150 pixel image and 50 *50 pixel image respectively; the segmentation model is trained and tested with 50 *50 pixel image, and the total model is tested with additional road surface image. The test results show that the classification model of convolution neural network can achieve more than 98% recall rate, the segmentation model can achieve more than 96% accuracy, and the overall model accuracy can reach more than 93%. Compared with the whole image segmentation algorithm, this algorithm greatly improves the operation speed with little loss of accuracy, and can be used to assist or replace manual inspection in the future.

KEY WORDS: Automatic Pavement Detection, Deep Learning, Convolutional Neural Network, Image Recognition, Semantic Segmentation

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景 1

1.2 文献综述 2

1.3 本文研究内容和研究方法 3

1.4 本章小结 4

第二章 卷积神经网络 5

2.1 卷积层 5

2.2 池层 6

2.3 全连接层 7

2.4 辅助层 7

2.5 激励函数 8

2.6 本章小结 10

第三章 CNN分类算法模型 11

3.1 评价指标 11

3.1.1 精度 11

3.1.2 查准 11

3.1.3 查全 11

3.1.4 综合评价指标 11

3.1.5 本节小结 12

3.2 Adam算法 12

3.3 CNN分类算法1 13

3.4 CNN分类算法2 16

3.5 本章小结 19

第四章 CNN分割算法模型 20

4.1 像素级模型 20

4.2 CNN分割算法架构 20

4.3 CNN分割算法数据准备 22

4.4 CNN分割算法性能评价 22

4.5 本章小结 23

第五章 模型测试 25

5.1 测试数据 25

5.2 数据分析 25

5.3 本章小结 26

第六章 总结与展望 27

6.1 总结 27

6.2 展望 27

致 谢 29

参考文献 30

绪论

研究背景

随着改革开放不断深入，国家逐年加大公路基础设施的投资力度，我国公路网总里程飞速增长，公路运输网络可达性显著提高。2018年国家统计局报告指出：“截止2017年末，全国公路总里程达到477.35万公里，是1978年的5.4倍，年均增长4.4%；公路密度达到49.72公里/百平方公里，每百平方公里公路密度提高了40.45公里^[1]。”我国公路建设逐步完善，公路养护受到了越来越多的关注。

裂缝病害是路面病害的主要形式，对路面使用性能影响很大。路面裂缝病害会破坏路面结构的整体性和连续性，并且会成为路表水侵入路基路面结构层的天然通道，若不及时处置，还有可能使裂缝继续延展形成龟裂造成路面脱落，引起结构性破坏，影响道路的行车舒适性与安全性。所以，路面裂缝病害检测和养护是路面状况检查的重要内容。裂缝出现后会随时间快速延伸和扩宽，在雨水和轴载作用下会破坏路面的整体性并削弱路面结构强度，如果能在裂缝病害早期发现并进行处理，则会有效延长路面使用寿命，减少公路养护资金投入^[2]。路面裂缝病害若能得到及时调查和养护，可以使公路维持在较好的服务状况，节约养护投资预算。

剩余内容已隐藏，请支付后下载全文，论文总字数：28959字