MATLAB基于深度学习的裂纹图像识别_matlab路面裂缝图片-优快云博客

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.