基于卷积神经网络的路表病害识别与测量
【摘要】:为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络(Convolutional Neural Network,CNN)技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型(CNN1)。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型(CNN2)和坑槽特征提取模型(CNN3)的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明:CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704ms·幅~(-1),CNN2用时为5 376ms·幅~(-1),采用图形处理器加速后CNN1用时为192ms·幅~(-1),CNN2测试平均用时为1 024ms·幅~(-1),可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。
|
|
|
|
1 |
杨国平,刘创,刘忠,丁问司;神经网络在公路工程质量检测中的应用[J];长沙交通学院学报;2001年02期 |
2 |
朱红斌;;LVQ神经网络在交通事件检测中的应用[J];计算机工程与应用;2008年34期 |
3 |
高晗,张翠玲;基于神经网络的公路建设项目评价[J];辽宁交通科技;1998年06期 |
4 |
侯志祥,刘振闻,颜学斌;基于神经网络的我国汽车保有量建模与预测[J];内蒙古公路与运输;2000年04期 |
5 |
赵忠杰;田梅;王英伟;;基于神经网络的隧道小时交通量预测方法[J];微电子学与计算机;2007年11期 |
6 |
李瑞敏;陆化普;史其信;;基于神经网络的路口交通流转向比预测[J];西南交通大学学报;2007年06期 |
7 |
马成前;任桂山;;基于神经网络智能预测武昌阅马场隧道交通流[J];计算机与数字工程;2008年02期 |
8 |
李劲;黄大荣;;基于粗糙神经网络的交通优化控制模型[J];计算机工程与应用;2008年19期 |
9 |
沈小军;陈峻;王晨;;基于LVQ神经网络的交通拥堵预测研究[J];交通运输工程与信息学报;2009年03期 |
10 |
曹琛荔;孙旋;;基于神经网络与遗传算法的交通流量预测研究[J];仪表技术;2011年01期 |
11 |
王建华,林琼;单桩沉降预估新方法──神经网络法[J];港口工程;1995年01期 |
12 |
李智,姚驻斌,张望兴;基于神经网络的港口运输优化方法[J];武钢技术;2000年01期 |
13 |
吴义虎,陈荫三,侯志祥,龙锦,周育才;基于神经网络的中国汽车保有量建模与预测[J];西安公路交通大学学报;2001年02期 |
14 |
骆有隆,唐元义,李根伟,张楚堂;高速公路社会效益评价的神经网络方法[J];武汉理工大学学报(信息与管理工程版);2004年06期 |
15 |
张伟;谭国真;丁男;商瑶;;基于邻接传感器及神经网络的车辆分类算法[J];通信学报;2008年11期 |
16 |
高岚;任宏伟;;改进的神经网络在路面结构参数设计中的应用[J];甘肃科技;2008年04期 |
17 |
周骞,杨东援;基于多相关因素的汽车保有量预测神经网络方法[J];公路交通科技;2001年06期 |
18 |
冯国莉;杨晓冬;;基于Hopfield神经网络车辆路径的优化研究[J];信息技术;2006年07期 |
19 |
朱正平;孙传庆;王秀丽;王阳萍;;基于外观特征与神经网络的交通标志识别[J];自动化与仪器仪表;2009年01期 |
20 |
唐新来;李春贵;王萌;张增芳;;基于混沌粒子群算法的神经网络短时交通流预测[J];计算机测量与控制;2010年08期 |
|