MATLAB基于深度学习的裂纹图像识别

MATLAB基于深度学习的裂纹图像识别

1 概述

道路缺陷的类别包括路面结构性破损和功能性破损，而路面结构性破损是最常见的，

可以细分为龟裂、块裂、网裂、纵裂和横裂。研究和设计一套道路缺陷检测技术，开发高效、快速、准确的道路缺陷自动识别系统具有重要的理论和现实意义。虽然基于数字图像处理的路面破损检测 和识别技术在国外已经有所发展，但是由于路面图像的复杂特性，数字图像处理算法仍在研究。

本文针对附件所提供的道路缺陷图像，运用 MATLAB 图形图像处理工具箱进行图形处理，包括图像的预处理，图像分割，图像特征提取，图像边缘检测等，并得到了预期效果。在分析比较传统方法对道路缺陷图像增强效果及不足之处的基础上，通过对实验分析，选用了梯度倒数加权平均滤波算法，它能有效地平滑图像背景、消除大部分噪声。在图像分割中，根据不同缺陷图像，分别进行了边缘检测和灰度阈值分割，提出了随机游动分割方法进行坑槽图像的分割，得到了较为满意的结果。

2 运行结果

​

​

替换最终图层

由于 SqueezeNet 的原始版本是一个包含 1000 个类的网络，因此我们必须使其适应正常/裂缝分类（2 类）。

​

gradcamMap = sum(featureMap .* sum(dScoresdMap, [1 2]), 3); gradcamMap = extractdata(gradcamMap); gradcamMap = rescale(gradcamMap); subplot(3,4,i) imshow(img);title(classfn) hold on; subplot(3,4,i) imagesc(imresize(gradcamMap,inputSize(1:2) ,'Method', 'bicubic'),'AlphaData',0.5); colormap jet hold off; end

​

​

3 参考文献

[1] Iandola, Forrest N., Song Han, Matthew W. Moskewicz, Khalid Ashraf, William J. Dally, and Kurt Keutzer. "SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5 MB model size." arXiv preprint arXiv:1602.07360 (2016).
[2] Matlab Documentation: Train Deep Learning Network to Classify New Images
[3] Matlab Documentation: Grad-CAM Reveals the Why Behind Deep Learning Decisions
[4] Zhang, Lei, et al. "Road crack detection using deep convolutional neural network." 2016 IEEE international conference on image processing (ICIP). IEEE, 2016.