论文基于卷积神经网络的桥梁裂缝检测和识别是关于本文可作为相关专业卷积神经网络论文写作研究的大学硕士与本科毕业论文卷积神经网络论文开题报告范文和职称论文参考文献资料。
摘 要：针对当前中国检测桥梁裂缝依赖人工目测,危险系数极大的落后现状,研究了一种基于数字化和智能化的检测方法,以提高桥梁安全诊断效率,降低危险系数.结合机器视觉和卷积神经网络技术,利用Raspberry Pi处理器采集和预处理图像,分析裂缝图像的特点,选取效果检测和识别裂缝效果最佳处理算法,改进裂缝分类的卷积神经网络模型（CNN）,最终提出一种新的智能裂缝检测方案.实验结果显示：该方案能够找到超出桥梁裂缝最大限值的所有裂缝,并可以有效识别裂缝类型,识别率达90%以上,能够为桥梁裂缝检测提供参考数据.
关键词：图像处理；桥梁裂缝； Raspberry Pi；卷积神经网络；检测
中图分类号：TP183文献标志码：A
Abstract：Aiming at the backward artificial visual detection status of bridge crack in China, which has a great danger coefficient, a digital and intelligent detection method of improving the diagnostic efficiency and reducing the risk coefficient is studied. Combing with machine vision and convolutional neural network technology, Raspberry Pi is used to acquire and preprocess image, and the crack image is analyzed； the processing algorithm which has the best effect in detecting and recognizing is selected； the convolutional neural network（CNN） for crack classification is optimized； finally, a new intelligent crack detection method is put forward. The experimental result shows that the system can find all cracks beyond the maximum limit, and effectively identify the type of fracture, and the recognition rate is above 90%. The study provides reference data for engineering detection.
Keywords：image processing； bridge crack； Raspberry Pi； convolutional neural network； detection
裂缝是桥梁安全最普遍的威胁因素,相关历史数据表明,由裂缝引起的桥梁安全事故占桥梁总体灾害的90%以上[1].经过长时间的工程实践和严格的理论分析,人们发现0.3 mm是桥梁裂缝允许的最大限度,若宽度超限将破坏桥梁的整体性,甚至引发垮塌事故,因此安全维护需要保证探测超过此限度的所有裂缝信息[2].目前基于数字图像处理技术的裂缝测量系统在桥梁诊断中已得到一定的应用；文献[3]应用小波变换理论对图像分解和重构实现了裂缝的检测与识别；文献[4—5]采用支持向量机对图像裂缝进行检测和识别；文献[6—7]分别提出了基于BP神经网络的图像裂缝检查与分类自动识别方法.本文通过Raspberry Pi处理器采集图像,通过3G无线网络传输图像数据,利用服务器运用图像处理技术对釆集到的图像进行分析处理[8],最后使用卷积神经网络技术（CNN）对裂缝进行分类,实验证明该方法可以有效识别裂缝类型.
河北科技大学学报2016年第5期刘洪公,等：基于卷积神经网络的桥梁裂缝检测与识别1桥梁裂缝识别系统设计
桥梁裂缝识别系统包括2部分：裂缝图像采集系统及图像处理与识别系统.其中图像采集系统由Raspberry Pi处理器、网络摄像头、GPS定位模块、GPRS/3G模块及GPIO云台升降控制块组成,负责裂缝图像的采集、定位,并通过有线或无线网络将采集的图像或视频传到服务器.图像处理与识别系统位于服务器端,主要功能包括：图像的预处理（灰度变换、图像增强）、图像分割、CNN分类.系统的总体设计框图如图1所示.
2裂缝图像处理
裂缝图像处理是裂缝检测与识别的关键部分.图像预处理的效果一定程度上可以决定裂缝识别的准确度.裂缝识别中的图像处理主要包括：裂缝图像的灰度化、图像增强、图像去噪、图像边缘检测、阈值分割算法[9].
2.1图像增强
本文采用分段线性函数增加图片的对比度,公式如式（1）所示.
2.2图像去噪
本文针对裂缝图像的特征,选择小波软阈值法进行图像滤波处理.裂缝图像经过小波变换,信号的能量主要集中于少数系数幅值较大的小波系数上.噪声对所有的小波系数都会有影响,变换后数量很多但幅值较小的小波系数认为是单纯由噪声产生的.小波软阈值法将小于阈值T的小波系数置零[10].
2.3图像分割
桥梁裂缝图像二值化处理阈值采用OTSU算法.设图片有L个灰度级,灰度值为i的像素数为ni,各灰度像素出现的频率为Pi,设图像被阈值T分为2部分（前景a与后景b）,其出现的频率分别为Pa和Pb,
3基于CNN的裂缝分类
卷积神经网络（CNN）逐渐成为计算机视觉研究领域的热点,其被广泛的应用于图像分类、对象的监测与识别中,并取得了很好的效果.本文利用CNN对横向裂缝、纵向裂缝、块状裂缝和网状裂缝4类进行识别及分类[14].
总结:本论文可用于卷积神经网络论文范文参考下载，卷积神经网络相关论文写作参考研究。
参考文献：
1、 基于卷积神经网络语音情感识别 摘 要：语音识别对于人机交互而言一直以来都是非常重要的。而仅仅识别语音的内容，忽略它的情感是不完整的识别。因此，对语音情感的研究十分有必要。卷积。
2、 基于最优质量传输光流法和神经网络火焰和烟雾检测 摘要：针对传统光流法不适用于气体和液体等图像检测的问题，提出了使用最优质量传输光流作为复杂过程的低维描述符用于火焰和烟雾检测的方法。检测过程可以。
3、 基于卷积神经网络的短文本分类方法 摘 要：文本分类一直是自然语言处理中一个备受关注的问题，在邮件分类、文件检索、用户情感识别等领域有着广阔的应用。同时人工智能飞速发展，卷积神经网。
4、 卷积神经网络在语言识别中应用 摘 要 近年来，随着理论的发展与大数据的来临，人工智能、深度学习再度成为学术界研究的热点。本研究的主要目标是通过卷积神经网络实现对江苏省方言的分。
5、 基于全卷积神经网络的图像缩略图生成算法 摘要：为提高缩略图生成中有效信息的保留率，该文提出一种基于全卷积人工神经网络并以图像显著性图驱动的缩略图生成算法。算法可有效识别图像中显著性区域。
6、 基于证据理论和神经网络的烟雾图像检测 摘 要： 烟雾图像检测对于预防火灾具有重要的研究意义，烟雾受到空气和自身扩散的作用，变化过程十分复杂，导致传统方法的检测效果差，为了解决该难题，。