探析基于神经网络的高速公路沥青路面裂缝分类识别技术研究

《探析基于神经网络的高速公路沥青路面裂缝分类识别技术研究》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、0删Y15253㈣41”、。⋯”。圆107I¨_20050675、E—’，璇步走淫硕士学位论文基于神经网络的高速公路沥青路面裂缝分类识别技术研究r太、F导师姓名职称l于l请学位级别埝文提交目期学位授予单位2008年8月8日论文答辩日期交通信息工程及控制2008年5月15日答辩委员会主席学位论文评阅人摘要随着高速公路建设的飞速发展，路面检测工作变得越来越繁重，自动化路面检测技术的研究与应用具有重要的意义。本文在国内外对路面裂缝分类识别技术研究成果的基础上，对高速公路沥青路面裂缝分类识别技术进行了深入的研究。论文的主要工作和研究成果有以下

2、几个方面：1．提出了基于RBF神经网络模式识别技术设计路面裂缝分类识别的方法。RBF神经网络能够快速地完成分类所需要的大量复杂的计算，同时其克服了BP神经网络容易陷入局部最小的缺点，提高了网络的稳定性。2．提出了一种改进的RBF神经网络WRAN学习算法。该算法根据最新的误差信息优化网络资源，实现了网络结构的精简，从而保证了网络的泛化能力，同时其采用了滑动窗口的思想，使网络对学习参数变化具有较好的鲁棒性，并更易收敛。将此算法应用于路面裂缝分类识别，既降低了网络结构的复杂度，又提高了分类识别的正确率，同时还保证了分类识别的稳定性。3．归结

3、了图像特征提取的原则。选择垂直投影、水平投影、裂缝子块总数和欧拉数作为提取的特征，同时给出了各个特征的具体定义和选择理由，并分析了其分类作用和识别效果。4．设计了基于RBF神经网络的路面裂缝分类识别系统的流程。该流程包括特征提取、构造RBF神经网络结构、产生人工训练样本，并用人工训练样本对遵循WRAN学习算法的RBF神经网络进行训练和验证。通过对实际路面图像的分类识别，证明本文的分类识别方法提高了路面裂缝分类识别的准确性和稳定性，实现了路面裂缝分类识别的自动化。关键词：路面裂缝；分类识别；特征提取；神经网络AbstractWithth

4、erapiddevelopmentofexpresswayconstructioninchina,theworkloadofthepavementdetectionisbecomingheavier,SOtheresearchandapplicationoftheautomaticpavementdetectiontechnologyhavetheimportantvalue．Basedonthestatusofautomaticpavementdetectiontechnologydomesticallyandabroad，thet

5、hesisdeeplystudiesontheasphaltexpresswaypavementcrackclassificationtechnology．Themaincontributionandresearchresultscanbesummarizedasfollows：1．ThemethodofexpresswayasphaltpavementcrackclassificationbasedonRBFneuralnetworkpatternrecognitionisproposed．RBFneuralnetworkCanqu

6、icklyaccomplishalotofcomplicatedcalculation，andovercomesthedisadvantageofBPneuralnetworkeasilyfallinginlocalminimum，anddecreasesnetworkconvergencetime．2．WRANlearningalgorithmwhichisanimprovedRBFneuralnetworklearningalgorithmispresented．Thealgorithmoptimizesresourceandre

7、trenchesnetworkstructurewiththelatesterrorinformation．Accordingly,thegeneralizationabilityofRBFneuralnetworkisguaranteed．Thetheoryofslidingwindowmakestherobustnessofparametersbetter．WRANalgorithmisusedasthenetworklearningalgorithmforexpresswayasphaltpavementcrackclassif

8、ication，whichdecreasescomplexityofnetworkstructureandimprovesthecorrectrateofclassificationrecognitionandthest