基于深度学习的路面裂缝自动化检测.docxVIP

基于深度学习的路面裂缝自动化检测 　　[摘 要]本论文将提出一种应用于交通道路自动检测的识别方案。在需要检测裂缝的道路上目前由人工检测的方式存在诸多问题，例如影响路面交通正常运行以及工作效率极低等问题。假设使用基于深度学习所构建的路面检测模型来进行自动化的路面裂缝检测，则必然能在极大程度的提高检测效率。所以本文提出的自动化检测方案本质上是构建一种避免人工低效率检测的基于caffe框架下的深度学习模型。　　[关键词]自动检测；路面裂缝；深度学习；caffe框架　　中图分类号：TP592 文献标识码：A 文章编号：1009-914X14-0304-01　　0 前言　　在公路交通日益完善的今天，各种交通问题逐渐增多。致使路面安全的检测变得尤为关键。随着公路交通的饱和度急剧上升，检测效率的问题便凸显的尤为关键。路面检测效率的提高对国家的交通经济起到至关重要的作用，所以世界各国都在积极研究着如何提高交通路面安全检测效率的方法。随着计算机人工智能的快速发展，深度学习技术在交通方面的应用越来越广泛。在一系列基于深度学习的模型框架的搭建下，可以解决很多传统问题。所以本文所提出的便是建立在深度学习之上的路面裂缝自动识别方案。　　1 基于深度学习路面裂缝自动化检测及识别的关键问题　　利用高性能工业相机采集到可靠、清晰的路面图片，基于深度学习技术重点研究裂缝自动化检测及识别。首先对路面裂缝图像进行预处理，包括图像归一化及匀光处理、滤波去噪、图像边缘增强，使图像质量得到明显改善，提高数据的特征。继而更有利于模型构建，然后通过足量的照片数据基于caffe卷积神经网络框架构建识别模型，通过分析测试优化模型网络，最后进行路面裂缝分类识别，并输出裂缝识别成功率。其中，如何实现路面裂缝的特征的准确提取与可靠模型的搭建防止欠拟合或者过拟合现象的出现，提高识别的准确率，也是研究的重点难点。　　2 卷积神经网络　　卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现，主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。卷积神经网络的三个重要特点是局部感受野、权值共享和下采样。局部感受野可以发现图像的局部特征，例如一个角或是一段弧，更高层将局部信息综合就得到了全局信息。这种思想类似于人对外界从局部到全局的认知。权值共享能够有效减少参数，下采样保证了局部不变性。相对于传统的图像分类方法，卷积神经网络具有明显的层次性。除此之外，卷积神经网络的使用相当于一个黑盒子，使用者并不需要知道如何对图像特征进行提取。由于特征检测层通过训练数据进行学习，在使用时避免了显式的特征抽取，而隐式地从训练数据中进行学习。卷积神经网络的出现为计算机视觉领域带来巨大变革，目前几乎所有的识别和检测问题都将其作为主流处理方法。　　Caffe是由伯克利视觉和学习中心开发的开源卷积神经网络框架。Caffe架构清晰且代码高效，相对于其他框架更易上手。因此文章选择Caffe框架实现路面图像的分类。　　3 深度学习模型的建立　　本次实验采用的模型为LeNet-5，该模型是YannLeCun在1998 年针对手写数字识别提出的卷积神经网络模型，曾被很多美国银行用于识别支票上的手写数字。文章所使用的模型与原版稍有不同，将激活函数Sigmoid换成Relu。采用Sigmoid等函数，算激活函数时，?算量大，反向传播求误差梯度时，求导涉及除法，计算量相对大，而采用Relu激活函数时，计算量则可以减少很多。其二，对于深层网络，Sigmoid函数反向传播时，很容易就会出现梯度消失的情况。　　本实验构建网络包含两个卷积层，两个池化层和两个全连接层。第一个卷积层选用20 个特征图构成，卷积核大小为5×5；第二个卷积层由50 个特征图构成，卷积核大小也是5×5；池化层核大小均为2×2，全连接层神经元数分别为500 和2，第二个全连接层直接输出结果，数据的分类判断在这一层中完成。由于分类结果为两类，即没有裂缝的路面图像和裂缝路面图像，因此将第二个全连接层的输出设为2。　　4 实验数据集的建立　　实验数据为1500张沥青路面图像，其中1000张用于训练，500张用于测试。训练集中含裂缝路面图像500张，完好路面图像500张；测试集中含裂缝路面图像和完好路面图像各250张。实验中用到一些路面图像数据，其中没有裂缝的路面图像，为裂缝路面图像。　　在将数据输入网络进行训练前，需要先对数据进行预处理。预处理步骤如下：①图像大小的归一化及匀光处理。路面图像在输入网络前尺寸均被调整为256×256 像素并对其进行匀光处理并随机采集其中227×227像素图像进行数据构建，从而提高数据集的多样性；②包括滤波去噪、图像边缘增强，使图像质量得到明显改善，提高数据的