论文部分内容阅读
公路边坡失稳产生的滑坡现象已变成同地震和火山喷发相并列的全球性三大地质灾害之一[1]。而针对公路边坡图像,国内外的主要研究焦点主要集中在边坡病害的预测以及病害类型与边坡结构等因素的相关性上,对已经发生的边坡病害的检测研究非常少。因此,本文提出一种基于深度学习卷积神经网络的公路边坡灾害自动识别的方法。该方法能对公路边坡图像进行特征的自动提取和边坡灾害的自动识别,对有病害的公路边坡图像进行病害的自动标记,实现海量图像数据的自动化处理,从而大幅减轻巡检人员和养护人员的工作。针对公路边坡图像的病害检测问题,本文首先设计了一套边坡图像数据集制作系统,包括数据的采集、自动裁剪、分类标记、数据的增广。利用此系统,可高效快速的从所采集的图像或视频中获取实验所需的海量边坡数据。最终本文利用自己设计的采集系统获得62856张负样本,61909张灾害正样本。随后,本文引入了两种卷积神经网络-GoogLeNet和ResNet-101,用采集得到的公路边坡图像数据集对这两种网络进行训练。本文对调参过程和训练过程进行了详细的阐述,最终得到在公路边坡图像数据集下的最佳训练参数及网络模型。为便于性能对比,本文还实现了SIFT + BOW + SVM的传统机器学习算法。同时,本文还训练了基于目标检测的深度学习卷积神经网络-SSD。与前两种神经网络模型不同的是,该网络是基于原始图像直接进行目标检测。实验结果表明,ResNet-101拥有最好的分类识别效果,召回率能达到95%左右,GoogLeNet次之,SVM算法最差。目标检测算法SSD在测试集上能达到 76.3%的 AP(average precision,平均精度)值。相较于 GoogLeNet和ResNet-101与区域生长算法相结合的识别结果,SSD算法能够得到更加精确的目标框的信息,检测的目标更加准确。