论文总字数：34763字

摘 要

随着我国交通事业的快速发展，公路里程的增加，路面养护工作需要更高的效率，而获取路面损坏信息作为路面养护工作的第一环节，自然也需要得到改进与加速，但传统的识别方法则有诸多瓶颈。而与此同时，深度学习近年来的快速发展和在许多领域的广泛应用使得研究人员们纷纷将目光投向了这样一个新的方式。

本文针对传统裂缝识别提取方法的不足，提出了一个CNN—FCN全自动的混凝土裂缝图像识别与提取的模型结构，实现了对于用户透明的裂缝识别提取模型，主要研究工作如下所述。

首先对几种经典的CNN网络模型进行了学习和分析，在性能、训练时长等方面经过对比，最后采用AlexNet来处理混凝土裂缝识别问题，FCN来解决混凝土裂缝检测提取问题。

其次对AlexNet与FCN分别进行数据预处理，模型训练以及结果的验证。并对FCN网络进行调整，使其更适合应用于裂缝检测。

综上，本文将AlexNet识别为裂缝的图片保存至FCN的数据集文件夹中，实现了自动的混凝土裂缝识别——提取的过程，并达到了较高的识别准确率与提取效果，有一定的应用价值。

关键词：深度学习，卷积神经网络，裂缝识别提取

Abstract

With the rapid development of Chinese transportation industry and the increase of highway mileage, road maintenance work needs higher efficiency. And as the first link of road maintenance work, obtaining road damage information naturally needs to be improved and accelerated. However, the traditional identification method has many bottlenecks. At the same time, the rapid development of deep learning in recent years and its wide application in many fields have led researchers to look at such a new way.

In view of the shortcomings of the traditional crack identification extraction method, this paper proposes a CNN to FCN automatic concrete crack image recognition and extraction model structure, and realizes the transparent crack identification extraction model for users. The main research work is as follows.

Firstly, several classic CNN network models were studied and analyzed. The performance and training duration were compared. AlexNet was finally used to deal with the concrete crack identification problem, and FCN was used to solve the concrete crack detection and extraction problem.

Secondly, data preprocessing, model training and verification of results were performed on AlexNet and FCN respectively. The FCN network is adjusted to make it more suitable for crack detection.

In summary, this article saves the picture that AlexNet recognizes as a crack to the dataset folder of the FCN, realizes the automatic concrete crack identification-extraction process, and achieves a high recognition accuracy and extraction effect, and has certain Value.

KEY WORDS: deep learning, convolutional neural network, crack identification extraction

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景 1

1.2框架与网络 1

1.3深度学习在工程结构病害检测中的应用 2

1.4研究框架 2

1.4.1 TensorFlow 3

1.4.2卷积神经网络的发展 3

1.4.3卷积神经网络的基本框架 3

1.4.4全卷积网络 4

第二章 卷积神经网络和全卷积网络的建立 5

2.1 AlexNet 5

2.2 VGGNet 10

2.3 FCN 13

2.4总结 16

第三章 模型的训练与验证 17

3.1环境搭建 17

3.2 AlexNet网络的训练与验证 18

3.2.1数据预处理 18

3.2.2训练参数 18

3.2.3网络验证 20

3.3 FCN网络的训练与验证 22

3.3.1数据预处理 22

3.3.2网络训练 23

3.3.3网络输出 23

第四章 针对裂缝提取的FCN全卷积网络的设计与验证 25

4.1数据采集以及处理 25

4.2 FCN网络训练结果与分析 25

4.3 FCN网络的修改 25

第五章 结论与展望 29

5.1总结 29

5.2展望 30

参考文献 31

致 谢 34

第一章 绪论

1.1研究背景

截至2018年末^[1]，全国公路总里程达到484.65万公里，高速公路里程已达14.26万公里，位居世界第一。而在这庞大的数字背后，则是对公路经年累月的养护投入，还需要定期对路面进行检测。而精确的路面病害检测结果可以给路面养护提供可靠有效的技术支持。但是，传统的人工检测成本高，耗时，劳动强度大，而基于图像的人工病害检测虽然通过无人机系统收集图像数据，但仍需检测员识别数以十万计的图像，存在较大的误差，亟需快速识别分析混凝土病害图像的技术方法。

这时，基于图像的机器视觉识别与分析逐渐进入了人们的视线。随着计算机的运算能力指数级增长，在过去的几年里，出现了许多优秀的卷积神经网络（Convolutional Neural Networks，简称CNN）架构，CNN在图像分类领域表现出强大的能力。由于CNN相比过去使用的边界检测算子例如Sobel算子，Roberts算子等性能更强，对复杂图片的适应也更好，所以国内外近来已将该方法应用于道桥或者土建方面的病害等其他方面的识别。

剩余内容已隐藏，请支付后下载全文，论文总字数：34763字