基于深度学习的桥梁裂缝及植物细胞图像识别方法研究

摘要

图像的识别包括图像采集、预处理、特征提取和识别等内容。识别的准确率和速度是图像识别技术的关键指标，其直接影响到图像识别技术的实用性和可行性。相较于传统图像识别技术，基于深度学习的图像识别技术在准确率和实时性方面均取得了较大提升。本文在分析桥梁裂缝及植物细胞图像特征的基础上，对桥梁表观裂缝识别问题和植物细胞识别问题进行研究。本文具体研究内容如下：　　(1)裂缝是混凝土桥梁底部结构表面病害中最常见的病害表现形式。目前国内外对桥梁表观裂缝的检测仍然采用人工检测的方式，这种方法费力、费时且具有一定主观性。本文基于深度学习技术提出一种改进的YOLO算法，以实现对桥梁裂缝病害进行实时、准确的检测。主要内容有：①使用Darknet19作为特征提取网络，并结合多尺度特征融合模块进行裂缝检测。②为了解决桥梁表观背景复杂干扰多的问题，在训练集中加入负样本进行训练，提升检测算法的鲁棒性，降低检测误检率；③为了解决图像压缩导致的信息丢失问题，使用滑动窗口方法对图像进行分块处理，并对每个图像块单独进行检测，以实现对高分辨率图像裂缝的准确检测。本文提出的算法模型实现了94%的检测精度和单幅图像0.035秒的检测速度。对比实验表明，本文提出的检测方法在准确率、鲁棒性和实时性上均取得了非常不错的效果，为桥梁裂缝检测任务提供了新的解决思路。　　(2)在植物细胞追踪任务中，常规流程为先进行细胞分割然后进行细胞追踪。传统的分割算法在分割噪声严重图像区域时，会出现分割错误的问题，而细胞分割错误又会导致后续的细胞追踪产生错误。为解决上述问题，本文在细胞识别基础上对细胞进行分割，以实现对噪声细胞图像的准确分割。提出的分割算法流程为：首先使用K-means聚类算法和SoftNMS算法对FasterR-CNN算法进行优化，其次使用优化后的FasterR-CNN检测算法对细胞进行识别，最后将识别结果作为分水岭分割算法的输入进行细胞分割。与之前的方法相比，本文提出的分割方法效果更好，能够很好地解决噪声细胞图像分割错误的问题。同时，为证明本方法的有效性，结合多种子对动态局部图匹配算法，对噪声细胞图像序列进行追踪。对比实验表明，本方法能够有效提升细胞追踪算法的准确性，进而实现对噪声细胞图像序列的稳定追踪。

目录

声明

第 1 章 绪论

1.1 研究背景与意义

1.2 图像识别算法在桥梁表观裂缝检测中的应用

1.2.1 桥梁表观裂缝检测的意义

1.2.2 国内外桥梁裂缝检测研究现状

1.3 图像识别算法在细胞追踪中的应用

1.3.1 细胞追踪的研究意义

1.3.2 国内外细胞追踪方法研究现状

1.4 卷积神经网络的研究现状

1.5 论文结构安排

第2 章基于深度学习的目标检测方法

2.1 深度学习理论基础

2.1.1 卷积神经网络理论基础

2.1.2 迁移学习

2.1.3 深度学习框架

2.2 基于卷积神经网络的检测方法

2.2.1 基于候选区域的检测方法

2.2.2 基于回归的检测方法

2.3 本章小结

第 3 章 桥梁表观裂缝检测方法研究

3.1 桥梁表观裂缝数据集

3.1.1 裂缝数据集的获取

3.1.2 数据集统计分析

3.2改进的YOLO算法

3.2.1 桥梁表观裂缝特征提取网络

3.2.2 多尺度特征提取

3.2.3 损失函数

3.3 实验分析

3.3.1 性能评价指标

3.3.2 实验细节

3.3.3 实验结果与分析

3.4 本章小结

第 4 章 植物细胞检测与追踪方法研究

4.1.1 引言

4.1.2 植物细胞检测与追踪算法总体设计

4.2 改进的Faster R-CNN植物细胞检测算法

4.2.1 Faster R-CNN 算法

4.2.2 K-means 聚类算法

4.2.3 Soft NMS 算法

4.3 细胞分割与追踪算法

4.3.1 基于分水岭变换的细胞分割算法

4.3.2 多种子对动态局部图细胞追踪算法

4.4 实验结果分析与讨论

4.4.1 细胞数据集与网络训练

4.4.2 模型性能指标

4.4.3 细胞检测结果分析

4.4.4 细胞分割结果分析

4.4.5 细胞追踪结果分析

4.5 本章小结

结论与展望

（一）论文总结

（二）展望

参考文献

致谢

附录 A 攻读学位期间所发表的学术论文目录

附录B 攻读学位期间所参与的科研项目