目錄
?前言
設(shè)計(jì)思路
一、課題背景與意義
二、算法理論原理
2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.1 YOLOv5算法
三、道路裂縫檢測(cè)的實(shí)現(xiàn)
3.1 數(shù)據(jù)集
3.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置?
3.2 實(shí)驗(yàn)及結(jié)果分析
實(shí)現(xiàn)效果圖樣例
最后
?前言
? ? ? ???大四是整個(gè)大學(xué)期間最忙碌的時(shí)光,一邊要忙著備考或?qū)嵙?xí)為畢業(yè)后面臨的就業(yè)升學(xué)做準(zhǔn)備,一邊要為畢業(yè)設(shè)計(jì)耗費(fèi)大量精力。近幾年各個(gè)學(xué)校要求的畢設(shè)項(xiàng)目越來(lái)越難,有不少課題是研究生級(jí)別難度的,對(duì)本科同學(xué)來(lái)說(shuō)是充滿挑戰(zhàn)。為幫助大家順利通過(guò)和節(jié)省時(shí)間與精力投入到更重要的就業(yè)和考試中去,學(xué)長(zhǎng)分享優(yōu)質(zhì)的選題經(jīng)驗(yàn)和畢設(shè)項(xiàng)目與技術(shù)思路。
? ? ? ????對(duì)畢設(shè)有任何疑問(wèn)都可以問(wèn)學(xué)長(zhǎng)哦!
? ? ? ? ?選題指導(dǎo):
? ? ? ? 最新最全計(jì)算機(jī)專業(yè)畢設(shè)選題精選推薦匯總
? ? ? ??大家好,這里是海浪學(xué)長(zhǎng)畢設(shè)專題,本次分享的課題是
? ? ? ? ??基于深度學(xué)習(xí)的道路裂縫識(shí)別算法系統(tǒng)
設(shè)計(jì)思路
一、課題背景與意義
? ? ? ?隨著道路使用時(shí)間的增加，路面不僅要承受日益增大的交通量，還受到各種自然因素的影響，逐漸出現(xiàn)裂縫、坑槽、沉陷等道路病害問(wèn)題。裂縫是許多路面病害的先兆，若不及時(shí)有效地進(jìn)行治理，將逐漸發(fā)展成更為嚴(yán)重的路面病害，嚴(yán)重影響道路的運(yùn)輸能力和使用年限。因此，在道路運(yùn)營(yíng)期內(nèi)進(jìn)行定期檢測(cè)是非常必要的。
二、算法理論原理
2.1 卷積神經(jīng)網(wǎng)絡(luò)
? ? ? ?YOLov5現(xiàn)已推出6.0版本，YOLov5-6.0結(jié)構(gòu)框架如圖所示，其劃分為4個(gè)部分：輸入端、Backbone、Neck和Head。
2.1 YOLOv5算法
? ? ? ?在路面裂縫圖像中，裂縫占比較小且背景通常較為復(fù)雜，會(huì)帶有光影斑駁、車道線、水跡、生活雜物等噪聲。針對(duì)此特點(diǎn)，引入注意力模塊，使神經(jīng)網(wǎng)絡(luò)在進(jìn)行特征提取時(shí)更加關(guān)注與病害相關(guān)的特定語(yǔ)義信息，提升檢測(cè)精度。同時(shí)，引入Ghost模塊，減少了模型的參數(shù)量，保證了模型的輕量化。
? ? ? ?CA模塊通過(guò)將圖像的位置信息嵌入通道注意力中，使神經(jīng)網(wǎng)絡(luò)在提取目標(biāo)跨通道特征的同時(shí)，還能提取目標(biāo)的方向特征與位置特征，能夠有效提高模型的檢測(cè)性能。針對(duì)研究需求，將CA模塊引入，置于骨干網(wǎng)絡(luò)的SPPF層后。CA模塊包括2部分：坐標(biāo)信息嵌入與坐標(biāo)注意力生成。CA的結(jié)構(gòu)如圖所示。
? ? ? ?CA采用尺寸為H×1與W×1的池化核分別對(duì)給定輸入X進(jìn)行一維編碼，輸出的兩個(gè)特征圖分別收集了不同方向的特征，以達(dá)到沿一個(gè)空間方向捕獲遠(yuǎn)程依賴關(guān)系的同時(shí)沿另一個(gè)空間方向保留精確位置信息的目的。
?
三、道路裂縫檢測(cè)的實(shí)現(xiàn)
3.1 數(shù)據(jù)集
? ? ? ?大部分?jǐn)?shù)據(jù)集存在以下3個(gè)方面問(wèn)題：背景較為簡(jiǎn)單，未將路面常見噪聲（光影斑駁、車道線等）考慮在內(nèi)；標(biāo)注質(zhì)量不高，通常將路面修補(bǔ)后的邊緣部分標(biāo)注為路面裂縫；拍攝高度較低且多以正視角為主，因此視野范圍較小，往往無(wú)法將長(zhǎng)裂縫采集完整。
? ? ? ?針對(duì)以上不足，通過(guò)實(shí)地拍攝的方式，采集了不同光照條件下包含各種噪聲的路面裂縫圖像。拍攝高度為1.4～1.5m，拍攝傾角為30°～45°。采集裂縫類型分別為橫向裂縫、縱向裂縫、網(wǎng)狀裂縫，數(shù)據(jù)集部分樣本如圖所示。我們選擇了開源數(shù)據(jù)集Crack500，共同組成了新的路面裂縫病害數(shù)據(jù)集，共計(jì)病害圖像1312張。
3.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置?
? ? ?? 采用的操作系統(tǒng)為Ubuntu 18.04，顯卡為NVIDIA GeForce RTX 3090，處理器為Intel Xeon E5-2678v3，實(shí)驗(yàn)環(huán)境為Python 3.8，在PyTorch 1.7.1深度學(xué)習(xí)框架下搭建模型，并使用YOLOv5s在ImageNet數(shù)據(jù)集下的預(yù)訓(xùn)練權(quán)重進(jìn)行網(wǎng)絡(luò)參數(shù)初始化。
3.2 實(shí)驗(yàn)及結(jié)果分析
? ? ? ?為評(píng)估改進(jìn)算法性能，本文以mAP[16]、參數(shù)量（Parameters）及每秒處理的圖片數(shù)量（frames per second, FPS）為指標(biāo)，分別衡量模型的檢測(cè)精確度、復(fù)雜度和檢測(cè)速度。mAP的計(jì)算公式為
? ? ? ?采用CIoU Loss作為邊框回歸損失函數(shù)。CIoU Loss同時(shí)考慮了預(yù)測(cè)框與真實(shí)框重疊面積、中心點(diǎn)距離及長(zhǎng)寬比，相比于GIoU Loss和DIoU Loss，CIoU Loss能夠更好地描述預(yù)測(cè)框與真實(shí)框的重疊情況，使得回歸更準(zhǔn)確。針對(duì)置信度損失和分類損失，采用二元交叉熵方法計(jì)算。
? ? ? ?使用改進(jìn)模型YOLOv5-CG在自建數(shù)據(jù)集上訓(xùn)練，損失函數(shù)曲線如圖所示。可知，損失值在前50輪訓(xùn)練中下降較快，隨著訓(xùn)練輪數(shù)的增加，損失值下降逐漸減慢，當(dāng)訓(xùn)練輪數(shù)接近200時(shí)，損失函數(shù)曲線趨于平穩(wěn)，模型收斂，訓(xùn)練過(guò)程中未出現(xiàn)過(guò)擬合現(xiàn)象。
?? ? ? ?將YOLOv5-CG模型中第一個(gè)GhostConv模塊提取的特征圖與原模型同位置卷積模塊提取的特征圖進(jìn)行對(duì)比，如圖所示?？芍?，GhostConv提取的特征圖與原模型卷積模塊的特征圖相似度較高，保證了語(yǔ)義信息的完整性，驗(yàn)證了GhostConv在YOLOv5-CG中的可靠性。
? ? ? ?為了更直觀地表現(xiàn)YOLOv5-CG的檢測(cè)性能，下圖展示了改進(jìn)模型與原模型對(duì)相同圖片的檢測(cè)效果。觀察發(fā)現(xiàn)，圖像中存在較嚴(yán)重的光影斑駁現(xiàn)象，YOLOv5檢測(cè)時(shí)均出現(xiàn)了漏檢，而被漏檢的裂縫被YOLOv5-CG成功檢測(cè)出，可見YOLOv5-CG相較于YOLOv5在復(fù)雜背景下的裂縫檢測(cè)能力更強(qiáng)。
? ? ? ?為測(cè)試不同改進(jìn)方法對(duì)模型檢測(cè)性能的影響，我們?cè)O(shè)計(jì)了消融實(shí)驗(yàn)，共驗(yàn)證了4個(gè)網(wǎng)絡(luò)模型，每組實(shí)驗(yàn)均采用相同的實(shí)驗(yàn)參數(shù)，消融實(shí)驗(yàn)結(jié)果見下表。
? ? ? ?為了驗(yàn)證改進(jìn)模型YOLOv5-CG在檢測(cè)精度和速度上的優(yōu)勢(shì)，將YOLOv5-CG與主流目標(biāo)檢測(cè)算法FasterRCNN、YOLOv3、YOLOv4、SSD進(jìn)行對(duì)比實(shí)驗(yàn)，以mAP和FPS為指標(biāo)，結(jié)果見下表。
部分代碼如下：
model = torch.hub.load('ultralytics/yolov5', 'custom', 'path/to/weights.pt')
# 設(shè)置模型為推理模式
model.eval()
# 定義類別標(biāo)簽
class_labels = ['Crack']
# 加載待檢測(cè)的道路圖像
image_path = 'path/to/image.jpg'
image = Image.open(image_path)
# 對(duì)圖像進(jìn)行預(yù)處理
preprocessed_image = model.preprocess(image)
# 將預(yù)處理后的圖像傳入模型進(jìn)行推理
output = model.predict(preprocessed_image)
# 解析模型輸出，獲取檢測(cè)結(jié)果
predictions = output.pandas().xyxy[0]
# 遍歷每個(gè)預(yù)測(cè)結(jié)果
for _, prediction in predictions.iterrows():
class_label = class_labels[int(prediction['class'])]
confidence = prediction['confidence']
bbox = prediction[['xmin', 'ymin', 'xmax', 'ymax']].values.tolist()
# 打印預(yù)測(cè)結(jié)果
print(f"Class: {class_label}, Confidence: {confidence}, Bbox: {bbox}")實(shí)現(xiàn)效果圖樣例
創(chuàng)作不易,歡迎點(diǎn)贊、關(guān)注、收藏。文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-842837.html
畢設(shè)幫助，疑難解答，歡迎打擾！文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-842837.html
最后
到了這里，關(guān)于【畢業(yè)設(shè)計(jì)】基于深度學(xué)習(xí)的道路裂縫識(shí)別算法系統(tǒng) python 卷積神經(jīng)網(wǎng)絡(luò) 人工智能的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
