论文部分内容阅读
随着我国对“一带一路”经济纽带的建设,公路交通等基础设施在日益完善,使得桥梁里程数直线上升,桥梁在长期的使用中受到自然因素和人为因素的损害,造成桥梁会出现一些病害,从而使得桥梁的使用年限大大地缩短,国家经济遭受巨大损失。但是如果对桥梁的病害能在早期发现,并进行修补,则可以延长桥梁的使用寿命,所以保护桥梁对国家经济建设起到很重要的作用。传统的桥梁裂缝检测方法是利用常用的高精度直尺,游标卡尺或者测宽仪等裂缝检测工具进行人工测量,这些测量方法不仅成本高,具有一定的危险性,而且效率低,漏检率较高。所以国内外研究者致力于使用数字图像处理技术对桥梁裂缝图像进行检测,传统的桥梁裂缝检测算法可以检测出桥梁裂缝图像中的裂缝,但是由于桥梁裂缝图像背景复杂,检测出裂缝往往带有大量的噪音像素,造成检测的精确度较低。随着卷积神经网络的发展,又出现了基于全卷积神经网络的桥梁裂缝检测方法,这些方法在一定程度上提高了裂缝检测精度,但是裂缝边缘检测比较模糊,检测结果还是无法达到实用的需求。桥梁裂缝检测的重点和难点是如何提高裂缝检测的精度和提升裂缝边缘细节信息的检测效果,本文利用基于改进的U-net网络对桥梁裂缝进行检测。包含的主要步骤有:桥梁裂缝图像预处理,图像数据增强,定义网络模型与初始化模型参数,加载训练数据集与标签,训练网络模型,测试网络模型的精度。本文的主要工作内容和创新点主要包括:(1)引入了三层残差网络学习单元,有效地提高了网络模型训练收敛速度,同时在U-net网络模型基础上加入残差网络学习单元,解决了随着网络的加深出现的梯度消失问题,降低了网络模型的训练难度,提升了桥梁裂缝检测的效果。(2)引入了空间金字塔空洞卷积网络,提高了网络模型对图像多尺度信息和图像上下文信息的获取能力,同时也对像素的空间层级信息的定位有了一定的改善,提高了网络对桥梁裂缝图像中裂缝特征的学习能力,对桥梁裂缝检测的准确率有了显著提高。(3)多次使用了复制通道,将低层次的图像特征与高层次的特征进行融合,提高了网络模型对于桥梁裂缝图像细节信息的获取能力。