基于深度卷积神经网络融合模型的路面裂缝识别方法

现有的路面裂缝识别方法大多仍局限于基于主动特征提取的处理技术,对路面图像来源有专一性要求,算法不具备泛化能力,现有的基于神经网络识别算法对设备有特定要求,且路面裂缝的定位准确性不高。为此,提出基于深度卷积神经网络融合模型的路面裂缝识别方法。首先,应用多目标SSD卷积神经网络模型对路面裂缝进行分类检测,然后使用深度残差网络对SSD模型的特征提取结构进行改进,并根据损失函数的收敛程度对模型中的超参数进行优化,提高路面裂缝分类和定位的准确率;其次,针对裂缝分类检测模型对路面裂缝定位存在的偏差,提出基于U-Net模型的路面裂缝分割方法,并改进模型的特征提取网络,提高裂缝分割精度,实现精确的裂缝分割;最后,将裂缝分类检测模型与分割模型进行融合,加载2个模型并导入上述训练得到最优权重,根据裂缝分类网络判断路面图像有无裂缝,若存在裂缝则给出具体类别和置信度,并将这些信息和原始裂缝图像输入U-Net分割网络,根据分割结果计算线性裂缝的长度、宽度及网状裂缝的面积。试验结果表明:给出的路面裂缝识别方法对于横向裂缝、纵向裂缝和网状裂缝的识别精度分别为86.6%、87.2%和85.3%;该方法不仅能够给出路面裂缝的类别信息,还可以给出路面裂缝的精确定位和几何参数信息,可直接用于路面状况评价。     

基于深度学习的交通拥堵检测

针对交通拥堵检测,提出一种利用深度学习中卷积神经网络(convolutional neural network, CNN)对交通拥堵图像进行检测的方法。首先,使用基于TensorFlow框架设计了含有三层卷积层的神经网络分类模型。其次,利用道路拥堵与非拥堵图片对分类模型进行训练,并进行评估。最后,利用训练完成的模型进行道路拥堵检测,与多种深度学习分类模型分类方法进行对比实验,表明该卷积神经网络模型能够更有效地进行拥堵检测,检测准确率达到了98.1%。     

基于深度学习的混凝土表观病害智能分类器

为了更加精确地识别混凝土表观病害,首先收集了包含混凝土一般性病害、风化、露筋和裂缝四种表观病害的图片,利用图像处理技术对图像集进行了扩充;然后建立了深度残差网络模型,得到了混凝土四种表观病害的分类器;最后通过迁移学习对残差网络模型进行优化,得到最优分类结果.结果表明:该基于深度学习的混凝土表观病害分类器可以针对混凝土单个病害图像进行智能分类,经过迁移学习的优化,准确率达到了91.3%,对混凝土破损露筋病害的识别准确度达到了97.6%,可以满足实际工程中混凝土表观病害智能检测的需要.     

结合场景结构和条件随机场的道路检测

针对道路检测采用图像外观特征对像素或区域进行分类,容易受到光照、阴影和遮挡等复杂因素的影响导致检测精度低的问题,提出一种结合场景结构信息和全连接条件随机场(CRF)模型的道路检测方法.首先检测道路消失点和道路边界线并生成道路的置信图;然后基于图像超像素训练场景结构布局模型得到结构布局的估计;融合置信度图、结构布局图和图像外观特征构建基于像素的全连接CRF模型;最后通过CRF模型推理得到分类结果.实验对比结果表明:采用结构信息和全连接CRF能够有效提高道路检测的精度,对阴影和遮挡等复杂道路环境具有鲁棒性.     

一种基于深度卷积神经网络的道路损伤检测研究

基于传统道路损伤检测方法主要通过人工选取特征识别道路损伤,致使检测过程中抗干扰性较差,进而制约道路损伤识别精度的提高.针对这一问题,提出一种基于深度卷积神经网络的道路损伤检测方法.通过引入深度学习算法,利用迁移学习策略,构建稳健的非线性道路损伤识别模型;结合真彩色的道路图像,利用多层卷积神经网络抽取局部损伤区域的高级语义特征,实现复杂背景变化下的道路损伤智能检测.实验结果表明,提出的方法可准确识别道路损伤图像,相比常用方法能显著提高识别准确率.     

基于精细化特征信息提取的健康和病害肉快速判别方法

[目的]针对健康肉与病害肉的快速鉴别问题,本文对健康与病害肉的表面拉曼谱图的特征信息提取和分类方法进行研究,以实现对健康肉与病害肉的快速鉴别.[方法]以羊肉的表面增强拉曼谱图为样本,分别采用主成分分析-支持向量机和卷积神经网络两种方法进行分类.通过提取谱图的精细化特征,实现谱图数据的降维和干扰信息的过滤,为分类模型提供更加准确和丰富的特征信息.并以240份包含健康与病害羊肉的拉曼谱图为训练集样本,建立了分类模型,以另外的120份样本进行健康与病害肉的辨别效果验证.[结果]实验表明经过精细化特征提取后构建的主成分分析-支持向量机模型能清晰的找到健康与病害肉的分类边界,验证样本的识别准确率从82.5%上升到93.3%,同时使用卷积神经网络对精细化提取的特征进行学习与分类,识别准确率从常规方法的90.2%上升到95.5%.[结论]本文提出的基于表面增强拉曼的肉类谱图的精细化特征信息提取和分类方法能够有效实现对羊肉样品中健康肉与病害肉的快速分类和鉴别,该方法同样可以应用于其他肉类的检测分类,对保障食品安全具有重要的意义.     

基于深度学习的三维路面裂缝类病害检测方法

为了在路面三维图像的基础上快速、准确、完整地识别裂缝,提出一种基于深度学习的路面裂缝类病害自动检测方法.首先,以子块图像为处理单元,将三维图像划分为裂缝面元和背景面元,其中背景面元包含了路面标线、不同纹理和桥接缝等复杂场景.根据对面元图像的分析,提出一种基于卷积神经网络的PCCNet分类模型,用于路面背景面元和路面裂缝...     

形态学和最大熵图像分割的城市路面裂缝检测

针对路面检测过程中后期处理数据工作量大、城市路面图像噪声多等特点,提出利用形态学和最大熵图像分割的城市路面裂缝检测方法.路面图像经过初始分类后,利用数学形态学变换对路面裂缝图像预处理,采用不同尺度、不同方位的结构元素对灰度图像做开运算重构,以提高图像中裂缝目标与路面背景之间的灰度差异;利用最大熵法进行图像分割,并对二值化后的裂缝图像进一步精细化处理;利用投影分析方法进行裂缝分类.研究结果表明:该方法能够在抑制噪声干扰的同时,实现快速、准确地检测路面裂缝边缘,并准确完成裂缝分类.     

基于GPR的城市道路地下病害差值检测方法研究

地下工程施工对道路路基破坏产生的地下空洞等病害是导致城市道路路面坍塌事故频发的主要原因,探地雷达(GPR)以其无损、快捷以及浅层高分辨率的优势被广泛应用于道路地下病害检测中。针对目前GPR技术在地下病害一次性检测中存在的环境干扰严重和检测精度低的问题,提出了一种基于差值检测的道路地下病害检测方法。首先通过差值检测算法对配准后的不同时相雷达图像进行差值处理,识别出变化区域即病害可能出现区域,然后利用改进的核匹配追踪算法,识别并提取道路病害特征。根据回波波组形态、振幅和相位特性、吸收衰减特性等方面特征,初步建立地下病害属性划分标准,进而将不同种类病害分级以指导施工修复。对北京四环路部分路段进行应用实验,结果表明:该检测方法有效提高道路地下病害的检测精度至80%。该方法可实现道路病害检测由一次性检测技术向周期性监测技术的转换,为保障城市道路和地下管线安全提供有效的技术支撑。     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于PANet的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用AP-loss函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071s。与Faster R-CNN算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。     

基于级联卷积神经网络的公路路基病害识别

针对当前公路路基病害识别中探地雷达(GPR)技术的数据分析还依赖于人工识别,识别效率低、准确性差问题,建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由2个卷积神经网络组成,分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试3个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性,并将级联卷积神经网络和Sobel边缘检测,K值聚类分析进行比较,以论证其优越性。结果表明:级联卷积神经网络在路基病害分类训练中的识别准确率为97.46%,验证中的识别准确率为95.80%,其识别路基病害的精度较高;级联卷积神经网络对发射频率300、500、900 MHz的图像分类准确率分别为94.20%、93.89%、94.57%,对不同公路结构的图像分类准确率分别为94.80%、94.78%、94.28%、94.21%,可见级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响;当图像分辨率较低时,Sobel边缘检测和K值聚类分析无法准确提取路基病害几何特征信息,级联卷积神经网络可通过分类器2准确识别;当图像分辨率较高时,Sobel边缘检测和K值聚类分析仅能提取路基病害的部分特征,后续病害类型的识别需要人工完成。可见级联卷积神经网络较其他算法在路基病害识别方面更准确、高效。     

基于探地雷达的沥青路面内部病害快速识别

为了提高沥青路面内部病害的检测精度及效率,开展了路面探地雷达(GPR)图像的自动识别研究．采用三维探地雷达(3D-GPR)设备高效、无损地探测沥青路面内部结构,以获取海量3D-GPR图像数据;通过多维度GPR图像辨识内部病害(横向裂缝和层间不良)的回波特征,矩形框准确标注纵断面GPR图中病害特征,进而构建内部病害回波特征GPR图像数据集(训练集、验证集和测试集);基于深度学习技术,引入YOLOv4(you only look once version 4)算法模型,首先利用训练集和验证集完成模型网络参数的迭代更新,然后利用测试集进行模型综合检测性能评估．研究结果表明：YOLOv4模型在测试集上测试的综合检测精度大于95%,并且其检测视频的每s帧数也超过30;而层间不良的回波特征相对内部横向裂缝识别更加准确;该模型可以实时、高精度自动识别出沥青路面GPR图像中病害回波特征．     

结构光三维扫描技术在道路病害识别方面的研究

目前利用探地雷达进行路基病害探测是一种较为科学的方法。如果同时能够获取路面三维模型,将地上路面信息与地下路基信息进行关联互补,将能够有效地检测出道路病害。利用基于HALCON的激光三角测量法完成对道路模型的测量,以大型跨平台开源点云库(PCL)为主,应用大量点云相关的通用算法和高效数据结构,针对道路病害特点,对点云进行获取、滤波、特征提取、曲面重建、可视化等处理,能够从三维重构图中清晰分辨出道路病害的情况。     

基于注意力机制非对称残差网络和迁移学习的玉米病害图像识别

为实现玉米病害图像快速、准确识别,提出了一种基于非对称注意力机制残差网络(asymmetric convolution attention resnet,ACA-Resnet)的图像检测模型.在残差网络的基础上,通过引入非对称卷积结构减少参数量,加快模型训练速度,同时引入注意力机制,改善模型的表达能力,提高检测准确率.为减小由于病害图片数量不足而造成的过拟合现象,采用迁移学习的方法提高模型的稳定性和泛化能力.结果 表明,ACA-Resnet经过ImageNet数据集预训练后对玉米病害图像的平均识别准确率可达到97.25％,较VGG-16、Inception-V3和ResNet50等网络分类效果更好,相较于Resnet50训练速度明显提升.可见本文方法训练速度快,识别精度高,可为玉米病害检测提供借鉴.     

基于多传感器融合的越野环境路面信息识别

为实现精准的越野环境路面信息识别，文中提出了一种基于多传感器信息融合的路面信息识别方法.首先，针对车辆簧下振动加速度信号设计了特征提取算法，通过双线性池化方法融合加速度特征与图像+深度特征，以实现对越野路面类型的多维度特征融合与识别.然后，为提高越野路面可通行区域检测效果，引入迁移学习方法，将越野场景路面类型识别模型中路面特征提取的共性知识向通行区域分割模型进行迁移.在真实越野环境数据集下对模型进行训练与测试，测试结果表明文中提出的识别方法不仅在越野场景路面类型识别任务上获得了98.65%的平均分类准确率，而且引入先验知识可明显提升通行区域检测效果.     

基于无人机LIDAR数据多尺度特征的沥青路面病害提取方法

目的针对大范围公路路面病害监测需求,提出基于低空无人机激光雷达遥感数据和随机森林分类算法,构建沥青路面病害目标的遥感识别模型。方法首先,基于激光点云高程信息提取多尺度表面粗糙度和高斯曲率指数,以及利用激光反射强度影像提取路面和病害目标的几何特征,然后基于提取的48个多尺度统计特征利用随机森林算法建立了沥青路面坑槽与塌陷两类主要病害的识别模型。采用搭载于ScoutB1-100低空无人直升机平台的RIEGL-VUX100激光雷达扫描仪,获取了新疆石河子市与沙湾县交界处的一段县级沥青道路的激光点云数据,对所提出方法和模型进行了验证。结果本文所提出的模型可较好识别路面的塌陷与坑槽病害目标,以地面调查和目视解译结果为参照的验证精度为92.3%,Kappa系数为0.902,优于其他两种常用的机器学习分类模型,可为公路养护部门提供一种新的快速路面病害监测方法。     

基于DSP的磨削表面粗糙度在线检测系统开发

为了解决磨削工件在线粗糙度等级识别速度慢和准确性不高的问题,开发了基于DSP的工件表面粗糙度在线检测系统.该系统基于光散射原理,通过工业相机采集光散射图像,运用DSP芯片对采集到的图像进行图像预处理以及特征参数的提取;最后利用建立的多分类支持向量机模型,对不同表面粗糙度等级的图像进行分类.实验结果表明,在该硬件平台上整个识别过程耗时约0.5s,识别率可达96%以上,说明该系统可有效识别工件表面粗糙度等级,有效实现工件表面粗糙度的在线检测.     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。     

基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

基于CBAM-YOLOv5s模型的温室作物病害检测研究

以温室马铃薯为研究对象,设计一种融合卷积块注意力机制(CBAM)的YOLOv5s植物病害检测模型,通过引入CBAM机制来提升YOLOv5s模型对马铃薯叶片中病害区域的显著度,使病害目标在检测模型中的特征表达能力得到增强,达到提高病害目标检测精度的目的。试验结果表明：改进的CBAM-YOLOv5s模型mAP达到了98.1%,比原始YOLOv5模型mAP提升2.3%,比SSD和FasterRcnn模型mAP分别提高8.7%和19%,为马铃薯叶片病害检测提供了一种可靠的检测方法,实现对温室作物叶片病害的精准识别和定位。