基于并行CNN的不均匀光照破损路面图像分类研究

《基于并行CNN的不均匀光照破损路面图像分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TN9110710-2014124022硕士学位论文基于并行CNN的不均匀光照破损路面图像分类研究王腾娜导师姓名职称郭元术教授申请学位类别工学硕士学科专业名称信息与通信工程论文提交日期2017年4月6日论文答辩日期2017年6月14日学位授予单位长安大学ParallelconvolutionalneuralnetworkfortheclassificationofunevenilluminationpavementimagesAThesisSubmittedfortheDegreeofMasterCandidate：WangTengnaSupervisor：Prof.G

2、uoYuanshuChang’anUniversity,Xi’an,China论文独创性声明本人声明：本人所呈交的学位论文是在导师的指导下，独立进行研究工作所取得的成果。除论文中已经注明引用的内容外，对论文的研究做出。重要贡献的个人和集体，均已在文中以明确方式标明本论文中不包含任何未加明确注明的其他个人或集体己经公开发表的成果。本声明的法律责任由本人承担。论文作者签名：乂年月２０日论文知识产权权属声明本人在导师指导下所完成的论文及相关的职务作品，知识产权归属学校。学校享有以任何方式发表、复制、公开阅览、借阅以及申请专利等权利。本人离校后发

3、表或使用学位论文或与该论文直接相关的学术论文或成‘。果时，署名单位仍然为长安大学（保密的论文在解密后应遵守此规定）论文作者签名２ｃ？ｌ年６月邛日］导师签名＾年／月＞曰摘要近年来，随着公路交通的高速发展，裂缝检测作为路面质量监测和养护的重要组成受到了广泛的关注，如何快速准确的识别路面裂缝也逐渐成为研究热点。本文主要针对光照不均路面裂缝图像，利用并行卷积神经网络对如何提高识别准确率问题进行了研究。论文利用朗伯光照模型，分析和研究了现有光照不变量提取算法，以NSCT为基础，分析了路面裂缝图像受光照影响时光照不变量提取算法的不足，设计了一种光照不变量提取方法

4、并对此进行相关研究与分析。论文在Lenet结构及高层特征融合理论基础上，结合并行同步卷积神经网络进行了相关研究与分析。利用2000幅共六类受不均匀光照影响的实测破损路面图像为数据集，在Caffe平台GPU计算条件下进行实验，对本文光照不变量提取方法和并行同步神经网络模型进行验证。研究结果表明，原始图像辅以光照不变量特征能有效提高受不均匀光照影响的路面裂缝图像的分类准确率。本文改良了模型各项参数，进一步保证模型性能。关键词：裂缝识别，多层卷积神经网络，并行同步，特征不变量，朗伯光照模型iAbstractInrecentyears,withtherapiddevelopmentof

5、highwaytraffic,crackdetectionasanimportantcompositionofpavementqualitymonitoringandconservationhasbeenwidespreadconcerned,howtoidentifythecracksquicklyandaccuratelyhasgraduallybecomeahotresearch.Inthispaper,authorfocusontheproblemofhowtoimprovetherecognitionaccuracybyusingtheparallelconvolut

6、ionneuralnetwork.BasedontheLambertilluminationmodel,theexistingilluminationinvariantextractionalgorithmisanalyzedandstudied.AimingattheproblemofthepavementcracksimagesaffectedbyunevenilluminationandtheilluminationinvariantextractionmethodbasedonNSCT(Nonsubsampledcontourlet).Anewmethodofillum

7、inationinvariantextractionisdesignedbystudyingtheinfluenceofilluminationonpavementcracksimages.BasedonLenetstructureandhigh-levelfeaturefusiontheory,thispaperstudiesandanalyzestheparallelsynchronousconvolutionneuralnetwork.Inthispaper,thevalidityof