千里之堤，溃于蚁穴——大型...设施裂纹图像的自动识别研究_罗均.pdfVIP

2019年（第六届）全国大学生统计建模大赛

千里之堤，溃于蚁穴——大型建筑设施裂纹

图像的自动识别研究

参赛单位:长沙理工大学

参赛者姓名:罗均、李桢、朱璐

目录

一、前言1

（一）、研究背景1

（二）、国内外研究现状1

二、图片预处理4

三、卷积神经网络简介5

（一）、卷积的定义5

（二）、卷积神经网络7

3.2.1卷积神经网络的特征7

3.2.2.稀疏交互与参数共享9

3.2.3池化9

四、卷积神经网络的构架11

（一）、Vgg16模型11

五、模型的建立12

（一）、预备知识12

5.1.1迁移学习12

5.1.2SVM模型12

5.1.3ROI(Regionofintrest)池化14

5.1.4边框回归14

5.1.5NMS(非极大值抑制)17

（二）、R-CNN模型18

（三）、FastR-CNN模型19

（四）、FasterR-CNN20

5.4.1RPN网络20

六、优化算法22

（一）、Minibatch梯度下降算法22

（二）、动量梯度下降23

（三）、Adagrid优化算法24

（四）、Rmsprop算法24

（五）、Adam优化算法25

七、建模及结果分析26

（一）、模型构建26

（二）、训练流程27

（三）、调参过程27

（四）、结果分析27

7.4.1模型一结果分析27

7.4.2模型二结果分析29

7.4.3模型三结果分析30

7.4.4模型结果对比31

7.4.5裂纹智能检测系统的建立33

八、模型的改进34

参考文献35

附录37

致谢37

表格和插图清单

图1大津分割（OSTU）图像二值化2

图2裂纹智能检测示意图3

图3原图与灰度图4

图4原图与直方图均衡4

图5原图与同态滤波增强的图片5

图6二维离散的卷积计算示意图7

图7卷积的局部感受野7

图8裂纹滤波器及卷积训练8

图9池化下采样8

图10卷积网络与全连接网络的对比9

图11卷积层的构造10

图12池化示意图10

图13VGG网络架构11

图14ReLU函数12

图15RoI池化示意图14

图16最小外接矩形与候选区域15

图17IOU示意图17

图18非极大值抑制示意17

图19传统物体检测与区域卷积神经网络对比18

图20R-CNN模块划分19

图21FastR-CNN结构图20

图22FastR-CNN的流程21

图23动量梯度下降形象示意图23

图24Adagrid优化算法的适用函数24

图25复杂的等高线图25

图26模型一训练的总损失28

图27模型一未经图片预处理的FasterR-CNN测试结果28

图28模型二训练的总损失29

图29经过同态滤波处理图片的FasterR-CNN的测试图片29

图30模型三的总损失30

图31改进优化策略Adam算法的FasterR-CNN测试图片31

图32三种模型对比32

图33模型一，模型二，模型三测试图片对比33

图34智能裂纹检测系统34

千里之堤，溃于蚁穴——大型建筑设施裂纹图像的自动识别

研究