检索结果-南通市图书馆

作者：徐文晶安徽建筑大学

学位级别：硕士

至2021年,我国公路总里程已超过500万公里,现居世界第一。维护道路的良好状况是国家和地方道路养护部门的一项重要职责。由于长期的风化、雨雪、应力等因素,路面的表面和内部结构会出现不同的裂缝,会引发交通事故,因此,及时、准确的裂... 详细信息

至2021年,我国公路总里程已超过500万公里,现居世界第一。维护道路的良好状况是国家和地方道路养护部门的一项重要职责。由于长期的风化、雨雪、应力等因素,路面的表面和内部结构会出现不同的裂缝,会引发交通事故,因此,及时、准确的裂缝检测对于公路养护和事故预防非常重要。目前公路路面检测在实践中主要依赖人工检测或少量智能算法,人工检测方法完全依赖于工程检验员的知识和经验,具有很大的主观性,并且现存的智能算法精确度不高,因此,如何有效检测并精确获得路面裂缝信息成为当前研究的一个焦点。近年来,语义分割技术作为计算机视觉领域中的一个研究课题,在智能安防、农业生产以及医疗诊断等现实场景发挥重要作用。随着深度学习技术的不断发展,基于深度学习的图像语义分割性能大幅度提升,具有自动特征提取、识别准确度高以及抗噪能力强的优点。因此,将基于深度学习的图像语义分割技术应用到路面裂缝检测领域,可以为精确地获取路面裂缝信息提供帮助。然而,目前存在的基于深度学习的路面裂缝语义分割方法在路面裂缝背景复杂、边界模糊以及细小裂缝分割方面,其分割精度依然有待提升。针对以上问题,本文的研究内容如下:(1)针对路面裂缝背景复杂的问题,提出了一种基于改进的U-Net网络路面裂缝语义分割方法。该方法将注意力机制融合到U-Net网络的跳连接处以增强裂缝区域的识别;同时,在编码器-解码器架构中引入扩张卷积以减少由于编码器网络中的池化操作而导致的裂缝细节损失。此外,由于上采样会导致解码器网络中裂缝信息丢失,本文提出一种深度可分离残差模块来捕获路面裂缝信息。实验结果表明,本文方法在两个复杂背景的路面裂缝数据集上的模型评估指标优于当下主流方法,证明了本文方法的有效性。(2)针对路面裂缝边界模糊的问题,提出一种基于改进的Seg Net网络模型来分割路面裂缝。该方法在编码器与解码器网络之间设计一种新的上采样与跳连接过程,可以通过特征图的重用增强相邻层次的特征融合和信息交换,保留路面裂缝边界信息。同时,在编码器-解码器网络中融合注意力机制和串联并联结合的扩张卷积,可以提高裂缝边界定位的准确性。本文在两个裂缝边界模糊数据集上证明了该方法的有效性。(3)针对路面细小裂缝分割不连续问题,本文设计一种基于GAN-MUNet的路面裂缝分割方法对路面裂缝进行语义分割。由于对抗生成网络对训练数据需求少、生成效果好,使分割结果更加连续的特点,本文将对抗神经网络和语义分割网络进行结合。实验结果表明,本文方法有效改善了细小路面裂缝分割不连续的问题。图[45]表[11]参[61]

关键词：路面裂缝卷积神经网络裂缝语义分割编码器-解码器网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Res2Unet-CBAM网络的路面裂缝分割方法研究

引用

石家庄铁道大学学报（自然科学版） 2024年第3期37卷 69-74,81页

作者：王希良王润琪渠尊昊石家庄铁道大学交通运输学院河北石家庄050043 石家庄铁道大学土木工程学院河北石家庄050043

裂缝类路面损坏是城市道路中常见的病害,能否在众多路面信息图像中高效获取路面裂缝信息,是当前领域研究的关键点.为得到更高精度的图像识别分析,结合深度学习领域,基于Res2Unet-CBAM网络模型进行路面裂缝图像分割工作,分析了公共数据... 详细信息

裂缝类路面损坏是城市道路中常见的病害,能否在众多路面信息图像中高效获取路面裂缝信息,是当前领域研究的关键点.为得到更高精度的图像识别分析,结合深度学习领域,基于Res2Unet-CBAM网络模型进行路面裂缝图像分割工作,分析了公共数据集的实验结果,并对比了UGNet,Res2Net等多种语义分割模型,在此基础上设计了Res2-Unet多尺度路面裂缝分割网络模型.通过对常见通道注意力模块进行分析,将CBAM通道注意力模块引入Res2-Unet分割模型,构建了一种新的Res2Unet-CBAM网络模型用于路面裂缝图像的分割任务.将Res2Unet-CBAM模型与其他深度学习模型的实验结果进行对比,结果表明此模型具有更好的图像分割效果.

关键词：深度学习路面检测注意力机制裂缝语义分割

来源：

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：