基于卷积神经网络的裂缝检测算法研究开题报告

1. 研究目的与意义（文献综述）

研究目的及意义

路面裂缝检测是确保道路安全的关键任务，传统的路面检测工作需要由专业人员检测路面缺陷。随着时代的发展，路面裂缝的检测需要爆炸式增长，传统的人工检测太过耗时，为了改善检测时间的问题，基于图像处理的方法得到广泛应用，但由于裂缝的强度不均匀和背景的复杂性，例如与周围人行道的对比度低以及具有相似强度的可能的阴影，这仍然是一项艰巨的任务。随着人工智能技术的发展，计算机视觉和机器学习技术已成功应用于路面检测。然而，基于机器学习方法的分类模型需要设计复杂的特征提取器，依赖算法设计者的经验，网络训练过程繁琐，效率和检测精度不高；且需要路面工程的领域知识。

近年来，深度学习在各种机器视觉识别任务中获得了良好的表现。与传统机器学习不同，深度学习不需要人工设计特征提取器，能够自动根据原始图像特征进行抽象表达，有效地整合其庞大的图像数据资源，迅速准确地检索到所需要的图像信息这为路面裂缝的自动化检测提供了新途径。

2. 研究的基本内容与方案

研究目标

路面裂缝检测是确保道路安全的关键任务。手动裂缝检测非常耗时，因此，需要一种自动道路裂缝检测方法来促进这一进展。然而，由于裂缝的强度不均匀和背景的复杂性，例如与周围人行道的对比度低以及具有相似强度的可能的阴影，这仍然是一项艰巨的任务。本课题拟设计一个自适应裂缝检测系统。在深入研究卷积神经网络的基本原理基础上，利用python语言建立模型的基础架构，对裂缝的特征进行分析，选择合适的网络模型，实现路面裂缝的自适应检测。

研究内容

3. 研究计划与安排

1. 第1－4周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

2. 第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉相关工具软件的使用。

3. 第7－9周：熟悉python语言和深度学习框架，制作裂缝数据集。

4. 参考文献（12篇以上）

[1] h. farzad, s.hannes, d. babette, t.carme and b. sven. combining semantic and geometricfeatures for object classsegmentation of indoor scenes[j]. ieee robotics automation letters, vol. 2,no. 1, pp. 49-55, jan. 2017.

[2] w. fan, a. samia,l. chunfeng and b.abdelaziz.multimodality semantic segmentation based onpolarization and colorimages[j].neurocomputing, vol. 253, pp. 193-200, aug.2017.

[3] chen l c,papandreou g, et al.deeplab:semantic image segmentation with deep convolutionalnets, atrous convolution, and fully connected crfs[j].ieeetransactions onpattern analysis and machine intelligence, 2018, 40 (4) :834-848.doi:10.1109/tpami.2017.2699184.