基于半监督学习的路面病害检测与分类算法研究-通信与信息系统专业论文.docxVIP

摘 摘 要 万方数据 万方数据 摘 要 基于人工视觉的传统路面病害检测分类方法耗时、耗力、花费高、危险且 影响交通，已很难适应现代化路网规模的快速发展。近年来，为克服传统路面 病害检测分类方法的局限性，同时为适应现代化大规模的公路养护需求，许多 专家尝试研究智能的路面病害检测分类系统，因此路面图像预处理、病害检测 和病害分类成为了公路交通科技和模式识别领域的研究热点。 本文运用图像处理和模式识别技术，完成了路面图像预处理、病害检测和 病害分类算法。具体研究内容如下： (1) 探索合适的路面图像预处理算法。由于路面图像相比其他图像更为复 杂，常规的图像预处理算法不一定能突显路面病害信息，因此有必要探索出适 合路面图像特点的预处理算法。 (2) 提取路面图像特征，并在此基础上探索路面病害检测算法。在路面图 像预处理后，提取具有强表征能力的路面图像特征，并在此基础上讨论基于 Radon 变换的路面病害检测算法。 (3) 研究基于半监督学习的路面病害自动分类算法，将它与基于支持向量 机的分类算法进行性能比较。因路面病害现象随机发生，部分类别样本数量非 常少，而半监督学习思想只需利用对少量样本进行学习训练，因此有必要尝试 探讨基于半监督学习的路面病害自动分类算法。 本文采用的路面图像数据均来源于江西省天驰高速科技发展有限公司。采 用的路面图像预处理算法能有效突出路面病害信息。基于 Radon 变换的病害检 测算法的检测准确率高达 97%。对比基于半监督学习和基于支持向量机的两种 病害自动分类算法的性能，结果表明基于半监督学习的病害分类算法性能更优。 关键词：病害检测；Radon 变换；病害分类；支持向量机；半监督学习 I AB ABSTRACT ABSTRACT Traditional pavement distress detection and classification method based on human’s visual sense has been difficult to adapt to the fast development of modern road network scale, because it’s time-consuming, higher labor-intensive, lower cost-effective, dangerous and it may impact traffic. In order to overcome the limitations of traditional pavement distress detection and classification method, and to meet the requirement of the modern pavement maintenance and management, many attempts recently have been made to achieve intelligent pavement distress detection and classification system, so pavement images preprocessing, distress detection and classification have become the research hotspots in the field of highway traffic technology and pattern recognition. With the image processing and pattern recognition technology, this paper completed pavement images preprocessing, distress detection and distress classification algorithms. The concrete research contents are as follows: Explore a suitable pavement images preprocessing algorithm. As the pavement images are more complex than other images, the conventional image preprocessing algorithms are difficult to highlight pavement distress information, so it is necessary to explore an effective paveme