卷积自编码用于沥青路面目标与裂缝智能识别
需积分: 0 72 浏览量
更新于2024-02-01
收藏 1012KB PDF 举报
本研究通过基于卷积自编码(CAE)的方法,实现了沥青路面目标与裂缝的智能识别。目前,基于深度学习的路面裂缝识别常面临训练数据集小和路面图片标注成本高等问题。为了解决这些问题,本文利用了小规模路面图片数据集,通过CAE方法进行数据增强。
本研究的文章题目为《基于卷积自编码的沥青路面目标与裂缝智能识别》,作者为侯越、陈逸涵、顾兴宇、茅荃、曹丹丹、WANG Linbing以及荆鹏。该研究于2020年8月18日首次发表于《中国公路学报》。
在当前的工作流程中,发表稿件需要经历录用定稿、排版定稿以及整期汇编定稿等阶段。录用定稿是指文章内容已经确定,并且通过同行评议以及主编终审同意刊用的稿件。排版定稿是指在录用定稿的基础上,按照期刊特定的版式进行排版的稿件,可能暂时还不能确定出版年、卷、期和页码。整期汇编定稿则是指所有出版年、卷、期和页码都已经确定的印刷或数字出版的整期汇编稿件。在本研究中,网络首发是指录用定稿的文章内容必须符合某些特定要求。
深度学习是近年来蓬勃发展的一种人工智能技术,其在图像识别领域取得了显著的成果。然而,对于路面裂缝识别这一任务,由于训练数据集的规模较小以及路面图片标注的高成本,基于深度学习的方法存在一定的挑战。
为了解决这些问题,本研究采用了卷积自编码(CAE)方法进行数据增强。卷积自编码是一种特殊类型的深度神经网络,经过训练后能够提取图像的重要特征。通过使用CAE方法,我们可以从小规模的路面图片数据集中生成更多的图像样本,并保持其原有的特征。这样做的好处是,我们可以大大扩增训练数据集,从而提升模型的泛化能力和鲁棒性。
具体而言,本研究首先构建了一个包含不同类型沥青路面目标和裂缝的图像数据集。然后,我们使用CAE网络对这些图像进行训练,学习到了路面目标和裂缝的特征表示。接下来,我们利用已训练好的CAE网络对原始路面图像进行编码和解码操作,生成了大量的增强图像样本。最后,我们将这些增强图像样本与原始图像样本一起用于路面目标与裂缝的智能识别任务。
通过实验评估,本研究的方法在沥青路面目标与裂缝的智能识别任务中取得了良好的性能。与传统的基于深度学习的方法相比,我们的方法不仅能够提升识别准确率,而且能够更好地捕捉裂缝的边缘和纹理等特征。此外,利用CAE进行数据增强还可有效缓解训练数据集小的问题,提高模型的鲁棒性。
总结而言,本研究基于卷积自编码的沥青路面目标与裂缝智能识别方法在解决深度学习路面裂缝识别问题中具有重要意义。通过使用CAE进行数据增强,我们成功地扩展了训练数据集,并实现了更好的识别性能。本研究为路面裂缝识别领域的进一步研究提供了有价值的参考和借鉴。
城北伯庸
- 粉丝: 33
- 资源: 315
最新资源
- AA4MM开源软件:多建模与模拟耦合工具介绍
- Swagger实时生成器的探索与应用
- Swagger UI:Trunkit API 文档生成与交互指南
- 粉红色留言表单网页模板,简洁美观的HTML模板下载
- OWIN中间件集成BioID OAuth 2.0客户端指南
- 响应式黑色博客CSS模板及前端源码介绍
- Eclipse下使用AVR Dragon调试Arduino Uno ATmega328P项目
- UrlPerf-开源:简明性能测试器
- ConEmuPack 190623:Windows下的Linux Terminator式分屏工具
- 安卓系统工具:易语言开发的卸载预装软件工具更新
- Node.js 示例库:概念证明、测试与演示
- Wi-Fi红外发射器:NodeMCU版Alexa控制与实时反馈
- 易语言实现高效大文件字符串替换方法
- MATLAB光学仿真分析:波的干涉现象深入研究
- stdError中间件:简化服务器错误处理的工具
- Ruby环境下的Dynamiq客户端使用指南