给大家推荐5篇关于路面病害检测的计算机专业论文

今天分享的是关于路面病害检测的5篇计算机毕业论文范文, 如果你的论文涉及到路面病害检测等主题,本文能够帮助到你

公路路面病害智能检测技术研究与应用

这是一篇关于路面病害检测,深度学习,YOLOv5,UNet的论文, 主要内容为公路作为重要的交通基础设施,对国民经济发展起着至关重要的促进作用。为加快建设交通强国,国家大力开展交通基础设施建设,公路规模不断扩大。随着大量公路被投入使用,受行车荷载和自然环境等因素影响,以坑槽和裂缝为主的路面病害日益增多,导致公路耐久能力和承载能力降低,安全隐患日益突出。路面病害检测是路面及时养护与修复的关键,对于公路养护决策具有重要的指导意义。传统路面病害检测主要依赖人工调查,效率低、安全性不高,无法满足大规模公路养护的实际需求,亟需实现路面病害的智能化检测。近年来,随着图像处理和深度学习技术的快速发展,国内外已经研发了一些路面病害智能化检测技术,但是这些技术的研究主要以裂缝为主,病害类型较为单一;受实际复杂的背景信息干扰,检测精度较低;模型体积较大难以满足实际部署的需求。为解决以上关键问题,本文以坑槽和裂缝两种主要的路面病害类型为研究对象,开展公路路面病害智能检测技术研究。主要研究内容及成果如下:1.针对现有路面病害数据集病害类型较为单一、场景类型较为简单,难以满足实际检测需求的难题,本文以《公路技术状况评定标准》(JTG 5210-2018)中的描述指导,构建了多种类、多场景类型、包含类别标注和语义标注的路面病害检测数据集HPDDD和路面病害分割数据集HPDSD。通过人工拍摄、网络爬虫等方式获取了坑槽、横向裂缝、纵向裂缝和复杂裂缝四种路面病害类型,晴天、雨天、阴影干扰等多种场景类型,沥青路面、水泥路面、砂石路面等多种路面类型,以及不同尺度样本大小的路面病害图像,丰富了数据集的种类、场景类型和样本的多样性。经数据预处理和人工标注形成规范化的数据集,并采用数据增强方法对少量类别样本图像进行扩充,完成了HPDDD和HPDSD的构建。2.针对现有路面病害检测算法容易受光照、阴影、车道线、旁车、井盖等复杂背景信息干扰,检测精度较低,模型体积较大难以部署的难题,提出了基于改进YOLOv5算法的路面病害检测模型YOLOv5＿S+G+RS。基于所构建的HPDDD数据集,本文首先通过对比经典目标检测算法的检测性能,验证了YOLOv5算法在路面病害检测问题上的优越性。然后针对YOLOv5算法对路面病害关键特征提取能力不强、计算复杂度较高以及模型泛化性不强的问题,通过融合注意力模块、模型轻量化设计和数据重采样机制等方法对YOLOv5算法进行改进,设计和实现了YOLOv5＿S+G+RS模型。实验表明,本文方法能够实现复杂背景环境条件下多种路面病害类型的检测和识别,m AP指标高达93.4%,具有较高的检测精度,模型参数量仅为5M左右,为实际部署带来了可能。3.在路面病害检测的基础上,提出了基于改进UNet算法的路面病害分割模型UNet＿ECA+AG,探索了基于形态学操作的分割结果量化分析方法,实现对检测的路面病害区域的分割提取和量化分析。基于所构建的HPDSD数据集,本文选用经典图像分割算法UNet的模型架构搭建了路面病害分割网络框架,针对路面病害形状不规则、轮廓不清晰,受光照、阴影等外界因素干扰导致分割效果较差的问题,通过融合空间注意力和通道注意力方法对UNet算法进行改进,设计和实现了UNet＿ECA+AG模型。实验表明,本文方法能够实现对路面病害区域更为全面的特征关注和学习,准确分割病害区域。通过对分割后的病害区域进行形态学操作获取了病害的长度、宽度和面积,可辅助路面病害的损坏评估,为公路养护决策提供客观数据支持。4.设计和搭建了公路路面病害智能检测管理平台。该平台基于主流系统框架Vue+Element-plus+Spring Boot进行开发,包含路面病害数据采集轨迹、病害检测、病害分割以及病害信息查询等功能,实现了路面病害数据采集、可视化分析、存储和管理的有效统一,将公路路面病害智能检测技术推向了实际应用。

公路路面病害智能检测技术研究与应用

基于深度学习的路面质量检测研究

这是一篇关于深度学习,路面病害检测,LSGAN,YOLOv5s,路面平整度检测的论文, 主要内容为近年来,我国道路交通飞速发展,大量高速公路、国道、省道网络的修建使得道路养护压力日益增加。在道路日常运营使用中不可避免地会受到自然、人为的损害,产生裂缝、塌陷、坑洞等结构性损坏,这就需要定期的检测养护路面,而现有路面检测系统设备由于其高昂的价格又难以维护并未实现普及,这就导致需要浪费大量人力物力对路面进行日常保养。在此背景下,本文引入深度学习模型设计了一个路面质量自动化检测系统。首先通过深度学习生成网络模型完成了对路面数据集的构建,再通过深度学习检测网络模型完成对路面病害与平整度的检测,最终在嵌入式平台与路面监测平台实现路面自动化检测系统的运行。本文主要研究内容总结如下:(1)针对路面病害数据具有丰富的空间信息且具备的特征信息关联性较高的特点,提出了一种基于改进LSGAN的路面病害图像生成算法。首先,为保证生成图像的多样性,引入新损失项,重新构建了生成器的目标函数。其次,融合CAE的编码结构,用于强化生成器对于图像空间信息的学习,提高模型的收敛速度与生成质量。最后,构建了轻量级的残差投影-扩展-投影-扩展模块并引入谱归一化,进一步提升生成图像的质量并保证模型训练时的稳定性。实验结果表明生成图像各个评价指标FID,SSIM,PSNR都有较大的提升,并且利用YOLOv5s检测网络验证表明相对于传统数据增强方法,本章方法使检测结果达到最优。(2)针对路面复杂特征与小目标特征检测困难的问题,提出了一种基于改进YOLOv5s的路面病害检测算法。首先,针对YOLOv5s对病害特征不明显目标检测效果较差问题,引入Bi FPN思想重构网络结构增强图像多尺度特征融合能力。其次,为了缓解网络学习压力,在主干网络添加Sin AM注意力模型以提升模型检测精度。最后,引入EIOU损失函数来提高模型回归精度与收敛速度。实验表明,改进后的模型在几乎不增加模型参数量的同时,平均检测精度较为改进模型提升了15.2%。(3)设计了一个路面质量自动化检测系统与监测平台。首先使用LSTM模型完成对路面平整度预测,然后确认以Jetson TX2开发板为核心的硬件选型,选取CSI摄像头与激光雷达对路面数据进行采集,最后将训练好的深度学习检测模型加载至开发板的控制模块中。软件部分设计了多个功能子系统,包括数据采集、数据处理与数据存储模块。监测交互平台部分设计了图形化交互界面,用户能够通过监测平台对路面数据进行查询与反馈,管理人员能够对路面数据与账户信息进行管理。