论文部分内容阅读
随着我国公路交通的不断发展,我国逐渐成为一个交通大国,道路里程数在不断增加的同时,道路养护也逐渐成为一个研究的热点。裂缝是混凝土路面病害的早期表现形式,因此,对它的早发现、早治理对路面的养护起着重要的作用。自动化的裂缝检测技术相较于传统的人工检测方式,有着低成本、高效率的优点。而随着计算机硬件技术的不断突破,深度学习算法的不断优化,相较于基于传统数字图像处理的算法,利用深度学习算法自动化的裂缝检测技术有着更精确、鲁棒性更强的优势,因此利用其对混凝土路面裂缝图像的研究也成为一个趋势。本文主要对混凝土路面裂缝的检测算法进行研究。图像上包含阴影等噪声时,当前裂缝检测算法普遍存在裂缝召回率不高的问题,针对该问题,本文将改进的Unet网络应用于裂缝检测,提升检测召回率。为了进一步的提高裂缝检测算法的精度,以U-net网络结构为基础,提出全U型网络结构对混凝土路面裂缝进行提取。本文的主要工作为:1.针对基于数字图像处理算法因混凝土路面裂缝图像表面噪声导致召回率不高的问题,深入研究U-net网络结构,改进U-net网络并应用于裂缝检测。首先为获取更多裂缝图像细节信息,增加一次下采样与上采样过程。其次针对原U-net模型卷积时图像规格缩小,同时使边缘信息丢失的问题,本文以零填充方式,保证每次卷积过程图像大小不变,同时保证边缘信息完整。最后为增加网络结构的泛化性,引入Dropout层。实验结果表明,改进的U-net网络结构能够在各种环境中完整地提取裂缝像素。2.为了进一步提升混凝土路面裂缝检测精度,本文以改进的U-net结构为基础,提出全U型网络结构。首先,依照改进的U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图尺寸,并与池化之前的卷积层进行融合。最后,将融合之后的特征图作为新的融合层与网络上采样之后的网络层进行融合。经过多次特征融合之后,增加了全局信息,同时提升网络结构对裂缝细节信息的学习。3.针对U-net网络预测后留下的部分未确定像素点的问题,为了提升裂缝检测精确率,研究最大类间方差法,以确定的阈值将网络模型预测后的图像完整地区分为裂缝像素点与背景像素点,同时研究基于连通区域特征的渗流噪声去除算法,尽可能地去除全U型网络错误将背景像素识别为裂缝像素的点状噪声,提升裂缝检测精度。