Please wait a minute...
 
主管单位:广东省科学技术厅
主办单位:广东省科技合作研究促进中心
编辑出版:《电脑与电信》编辑部
ISSN 1008-6609 CN 44-1606/TN
邮发代号:46-95
国内发行:广东省报刊发行局
《电脑与电信》唯一官方网站。
电脑与电信  2018, Vol. 1 Issue (11): 54-56    
  应用技术与研究 本期目录 | 过刊浏览 | 高级检索 |
基于增强卷积神经网络的路面裂纹检测
李奂谌
安徽理工大学 电气与信息工程学院
Pavement Crack Detection Based on Enhanced Convolution Neural Network
Anhui University of Science and Technology
全文: PDF(0 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 为了提高路面裂纹检测的效率以及精度,将增强卷积神经网络引入路面裂纹图像识别中。首先,采用线性灰度变换对原始图像进行预处理,减少噪声对识别的影响。接着经过结构设计,算法训练以及实验样本测试几个步骤后,建立了路面裂纹识别模型。最终通过在Matlab实验显示,建立的识别模型能够有效地对路面裂纹进行识别,识别率可达92.8%。实验结果表明相比于其他算法,本算法具有效率高、结果准确等优势,能够满足工程需求。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
李奂谌
关键词 卷积神经网络裂纹检测图像处理    
Abstract:In order to improve the efficiency and accuracy of pavement crack detection, the enhanced convolution neural network is introduced into the recognition of pavement crack image. First, the original image is preprocessed by linear gray transformation to reduce the influence of noise on recognition. After several steps, such as structure design, algorithm training and experimental sample testing, the pavement crack identification model is established. Finally, through the experiments in MATLAB, the recognition model can effectively identify the pavement cracks, and the recognition rate can reach 92.8%. Experimental results show that compared with other algorithms, the algorithm proposed in this paper has the advantages of high efficiency, accurate results, and can meet the engineering needs.
Key wordsConvolution Neural Network    crack detection    image processing
年卷期日期: 2018-11-10      出版日期: 2019-01-16
:  TP391  
作者简介: 李奂谌(1994-)男,山东东营人,硕士研究生,研究方向为智能控制、图像处理。
引用本文:   
李奂谌. 基于增强卷积神经网络的路面裂纹检测[J]. 电脑与电信, 2018, 1(11): 54-56.
LI Huan-chen. Pavement Crack Detection Based on Enhanced Convolution Neural Network. Computer & Telecommunication, 2018, 1(11): 54-56.
链接本文:  
https://www.computertelecom.com.cn/CN/  或          https://www.computertelecom.com.cn/CN/Y2018/V1/I11/54
[1] 李春辉王小英张庆洁刘翰卓梁嘉烨高宁康. 基于多尺度卷积神经网络的DDoS攻击检测方法[J]. 电脑与电信, 2024, 1(6): 35-.
[2] 周 锐  刘海军  邢丽莉  崔春杰  王高远. 基于卷积神经网络的儿童自闭症面部特征分类[J]. 电脑与电信, 2024, 1(5): 38-.
[3] 任 豪. 结合注意力特征融合的八度卷积表情识别方法[J]. 电脑与电信, 2024, 1(5): 71-.
[4] 王 瑾  王 睿. 基于多尺度特征深度学习的人脸表情识别算法[J]. 电脑与电信, 2024, 1(5): 75-.
[5] 张小雪 黄 巍.
基于卷积神经网络的交通标志识别算法
[J]. 电脑与电信, 2022, 1(7): 1-.
[6] 刘逸琛.
基于变分自编码器的商品文本分类算法设计
[J]. 电脑与电信, 2022, 1(6): 37-.
[7] 王鹏程 苏一水 王茂发.
基于神经网络的面包智能溯源系统
[J]. 电脑与电信, 2022, 1(5): 19-.
[8] 曾 珍 余劲松.
“互联网+”背景下“四融三段式实景驱导”
课程改革探索与实践
——以中职图像处理课程为例
[J]. 电脑与电信, 2022, 1(5): 55-.
[9] 贾 亮 徐善博 邢轶博.
基于FPGA的卷积神经网络图像识别算法研究
[J]. 电脑与电信, 2022, 1(12): 58-.
[10] 张梓浩 刘鹏浩 谢汉辉 邵国林 吴振凯 张嘉利.
面向多场所的基于深度学习电动车
智能安全检测系统
[J]. 电脑与电信, 2022, 1(10): 40-44.
[11] 张 望.
基于空间通道Transformer的双分支网络图像去雾方法
[J]. 电脑与电信, 2022, 1(10): 82-89.
[12] 马金峰. 基于密集连接卷积结构的人脸表情识别研究[J]. 电脑与电信, 2021, 1(4): 1-5.
[13] 洪润莉 何佳乐 古庆宏 张真汶 黄杰贤.
基于图像处理技术的印制电路线宽精密测量与光源光强调节方法研究
[J]. 电脑与电信, 2021, 1(12): 42-46.
[14] 张宝燕.
基于深度卷积网络的地理图像分类研究
[J]. 电脑与电信, 2021, 0(10): 75-79.
[15] 鞠聪 李涛. 基于深度可分离卷积结构的人脸表情识别研究[J]. 电脑与电信, 2020, 1(6): 1-5.
No Suggested Reading articles found!
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
  Copyright © 电脑与电信 All Rights Reserved.
地址:广州市连新路171号广东国际科技中心 邮编:510033
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn
粤ICP备05080322号-4