摘 要

随着道路越来越普及，公路开始逐步进入全国各个偏僻的位置，随之而来的是越来越多需要及时修缮的公路配套安全问题，路面裂缝检测逐渐成为确保道路安全的关键任务。传统的手动裂缝检测不仅需要极多的专业人员及时排查问题，而且非常耗时，容易产生误检与漏查等问题。为了解决这一问题，计算机视觉作为指导生产的重要部分逐步进入人们的视野。

2012年，AlexNet网络在ImageNet比赛上获得了的冠军，其分类准确度远远超过其它方法，弱监督模式的卷积神经网络从此正式登上了时代的舞台。由于卷积神经网络优越的性能和较少的人力资源需求，使之在短短几年内飞速发展。在语义分割方面，2015年前后出现了FCN、SegNet和U-Net等多种网络，也渐渐开始应用于医疗，汽车等各个行业，展现出巨大的发展潜力与商用价值。

本文拟设计一个裂缝检测的卷积神经网络，在深入研究卷积神经网络的基本原理基础上，利用Python语言建立模型的基础架构，通过加深网络进行更好的裂缝特征提取，通过使用带权值的稀疏卷积进行卷积抽样处理以获取到更好的图像数据，使用各个独立的损失层作为监督单元对网络进行监督调控，并使用特征融合法代替像素点分类来获取更好的标记图效果，实现了路面裂缝的自适应检测，这些方法既增加了效率，也克服了人力道路检测时的诸多不便。

关键词：Caffe；Python；裂缝检测

Abstract

With the increasing popularity of roads, roads are gradually entering various remote locations in the country, followed by more and more road supporting safety problems that need to be repaired in time. Pavement crack detection has gradually become a guarantee of The whole road safety mission. The traditional manual crack detection not only needs a lot of professional personnel to check the problems in time, but also is very time-consuming, which is easy to produce problems such as false check and missing check. In order to solve this problem, computer vision, as an important part of production guidance, has gradually entered people's vision.

In 2012, alexnet won the championship in the Imagenet competition, and its classification accuracy is far more than other methods. Since then, convolutional neural network with weak supervision mode has officially stepped onto the stage of the times. Because of its superior performance and less human resource demand, convolutional neural network develops rapidly in a few years. In terms of semantic segmentation, FCN, segnet, u-net and other networks appeared around 2015, and gradually began to be applied to various industries such as medical treatment and automobile, showing great development potential and commercial value.

In this paper, we design a crack detection convolutional neural network based on the basic principles of convolutional neural network. Using Python language to build a model infrastructure, with through deepening the network for better crack feature extraction and the use of sparse convolution with weight values for convolution sampling processing to obtain better image data. Except that, using each independent loss layer as a monitoring unit to monitor the network, at the same time, the method of feature fusion is used instead of Pixel classification to get better effect of marking map, and the self-adaptive detection of Pavement crack is realized.

Key Words：Caffe；Python；Crack detection

目 录

第1章 绪论 1

1.1 研究目的与意义 1

1.2 国内外研究现状 1

1.3 Python及编译工具简介 3

1.4 Caffe简介 3

1.5 论文内容安排 4

第2章 卷积神经网络发展介绍 5

2.1 路面裂缝总体需求 5

2.2 卷积神经网络的产生 5

2.3 卷积神经网络的方法优势 6

2.4 AlexNet网络的系统架构 6

2.5 AlexNet网络的各层构造与设计思路 7

2.6 语义分割要求 10

2.7 FCN神经网络的系统架构发展概览 11

第3章 卷积神经网络的设计 12

3.1 像素级别的图像分类 12

3.2 加深网络深度的设计原理 12

3.3 特征融合的特征标记 12

3.4 稀疏卷积核抽样 13

3.5 实验环境 14

第4章 训练网络的设计 15

4.1 数据集 15

4.2 Pythonlayer输入层 15

4.3 加深隐藏层 16

4.4 各层的独立监督方式与融合特征获取标记图 20

4.5 迁移学习方法 21

第5章 测试效果分析 23

5.1 实验结果及评估 23

5.2 像素准确度指标分析 24

5.3 总结 25

5.4 展望 26

参考文献 27

第1章 绪论

1.1 研究目的与意义

路面裂缝检测已经是确保道路安全的关键任务，传统的路面裂缝检测工作需要由专业人员手动检测路面。随着时代的发展，公共交通的需求带来了公路的普及，路面裂缝的检测需要爆炸式增长，传统的人工检测太过耗时，为了降低检测时间，基于图像处理的方法得到了应用，但由于裂缝的强度不均匀和背景比较复杂，例如周围存在人行道而使得裂缝对比度低或具有相似强度的可能阴影，这使裂缝检测仍是一项困难的任务。随着人工智能技术的发展，计算机视觉和机器学习技术已成功应用于路面检测。相比而言，传统的基于机器学习方法的分类模型需要设计者用丰富的数学建模经验来设计复杂的特征提取器，检测者也需要拥有路面工程的领域知识，这不仅使得网络训练过程繁杂且参与人员要求更高，检测效率和精度仍未得到较大提升。

近年来，卷积神经网络在各种机器视觉识别任务中获得了良好的表现。与传统机器学习不同，卷积神经网络不需要人工设计特征提取器，而是自动根据原始图像特征进行抽象参数保存，有效地整合庞大的图像数据资源，生成网络模型，迅速准确地检测到图像特征信息，为路面裂缝的自动化检测提供了新途径。