基于深度学习的裂缝病害图像检测与识别技术

目录 前言 第1章绪论1 1.1研究的背景及意义1 1.2国内外研究现状2 1.2.1深度学习中的图像分类网络2 1.2.2深度学习中的图像分割网络3 1.2.3路面裂缝检测4 1.2.4路面裂缝病害图像的分类和评估9 1.3本章小结11 第2章深度学习12 2.1深度学习概述12 2.2深度学习网络结构12 2.2.1单层神经网络12 2.2.2多层神经网络14 2.2.3常见的CNN16 2.3深度学习训练过程17 2.3.1监督学习17 2.3.2非监督学习19 2.4CNN20 2.4.1CNN基本结构20 2.4.2卷积层20 2.4.3池化层24 2.4.4全连接层26 2.4.5激活函数27 2.4.6损失函数29 2.5上下采样计算29 2.5.1感受野29 2.5.2空洞卷积30 2.5.3上采样计算31 2.5.4下采样计算32 2.6CNN中的图像分类模型33 2.6.1Fast RCNN模型33 2.6.2SSD网络模型35 2.6.3YOLOv4网络模型36 2.7CNN中的图像分割模型38 2.7.1FCN模型39 2.7.2SegNet模型41 2.7.3U-Net模型41 2.7.4DeepLab v3+网络42 2.7.5DenseASPP网络42 2.8本章小结44 第3章裂缝病害图像特征分析及数据预处理45 3.1路面裂缝类型45 3.2路面裂缝的特点及成因46 3.2.1路面裂缝的特点46 3.2.2路面裂缝的成因47 3.3路面裂缝数据集制作48 3.3.1自制数据集Highway Crack48 3.3.2自制可变SSD数据集49 3.3.3公共数据集51 3.3.4图像集预处理52 3.4裂缝识别技术流程53 3.5实验环境选择及搭建54 3.5.1实验环境选择54 3.5.2实验环境搭建55 3.6本章小结56 第4章基于CNN的公路裂缝分类识别实验及分析57 4.1实验模型评估与分析57 4.2卷积可视化分析62 4.3路面裂缝特征提取与分析65 4.4路面裂缝识别结果67 4.5本章小结68 第5章基于改进残差网络与注意力机制的语义分割网络70 5.1残差网络70 5.2注意力机制71 5.3带空洞卷积的残差网络73 5.4Non-Local计算模式的注意力机制75 5.5网络模型设计76 5.6训练参数77 5.7评价指标77 5.8数据集78 5.9实验分析79 5.10本章小结81 第6章结合双注意力机制的语义分割网络82 6.1残差注意力机制82 6.2网络模型设计84 6.3实验结果分析84 6.3.1空洞卷积消融实验84 6.3.2残差注意力不同结构性能分析88 6.3.3与其他深度学**经网络对比实验89 6.4本章小结92 第7章基于高分辨率模型的裂缝病害图像分类网络与分割网络93 7.1基于高分辨率模型的裂缝病害图像分类网络93 7.1.1HRNet93 7.1.2混合空洞卷积95 7.1.3网络模型设计96 7.1.4基于HRNet的实验结果与分析97 7.2基于高分辨率模型的裂缝病害图像分割网络98 7.2.1密集上采样卷积98 7.2.2Passthrough layer模块99 7.2.3挤压与激励注意力机制100 7.2.4网络模型设计101 7.2.5实验结果与分析102 7.3本章小结107 第8章基于可变形SSD的裂缝检测模型109 8.1SSD109 8.2默认框109 8.3网络结构111 8.4实验过程与检测结果114 8.4.1实验过程114 8.4.2检测结果120 8.5本章小结122 参考文献123