| 摘要: |
| 为了有效自动化的识别路面裂缝,本文在深度学习神经网络VGGNet基础上,提出了基于VGGNet-plus网络的路面裂痕自动分类识别方法。该网络增加了Dropout层和残差层,并在每个卷积层后连接Batch_normalize(BN)层和LeakyReLU层,解决了训练参数过多、深度神经网络的过拟合等问题,简化计算同时减少训练时间。为了增加训练样本的数量,同时对采集光照条件、角度、噪声等造成的影响具有更强的适应性和鲁棒性,本文通过灰度处理,上下翻转,左右翻转,灰度二值处理,均值滤波,灰度gamma处理,高斯滤波,中值滤波等方法来数据增容。通过Bagging的方式进行模型集成,对预测的结果综合评估产生最佳的预测结果。实验结果表明,VGGNet-plus网络在路面裂缝分类中的准确率可达92％,有效提升了路面裂缝自动检测精度。 |
| 关键词: 深度学习 裂缝分类 残差 数据增容 ＶＧＧＮｅｔ 模型集成 |
| DOI：10.3969/j.issn.1005-9490.2022.02.040 |
|
| 基金项目: |
|
|
|
| () |
| Abstract: |
|
| Key words: |
