摘要：为实现桥梁病害检测的自动化,对基于图像处理技术的混凝土桥梁表观病害的智能识别和尺寸确定方法展开研究.提出基于改进Faster R-CNN算法的病害识别方法,利用K均值聚类和遗传算法对区域候选网络锚框进行优化设计;以裂缝预测区域为基础,提出Resnet34结合u-net的裂缝形态提取方法,并结合裂缝形态学研究了裂缝像素宽度和长度的确定方法.结果表明:锚框优化设计可改进Faster R-CNN算法的表观病害识别效果,5类常见病害的预测准确率、召回率、平均精确率分别由68.40%、69.87%、74.64%提升到85.40%、83.59%、83.72%;利用病害预测框,结合改进u-net算法的裂缝像素尺寸计算,可实现裂缝病害尺寸的自动测量;基于改进Faster R-CNN和改进u-net的方法可实现混凝土桥梁常见病害的智能识别和尺寸量化,从而提高桥梁病害检测效率并促进桥梁技术状况评定的智能化.

摘要：颜料层脱落区域的提取是壁画科学保护和修复的重要环节,由于标准u-net在传播过程中低维的细节信息逐渐减弱,使得病害区域提取精度受到限制。因此,本文提出一种改进型u-net网络,用于壁画颜料层脱落病害区域提取。首先,通过影像裁剪和预处理得到青海省瞿昙寺壁画图像数据集。其次,在编码层中引入空间金字塔池化层,构建一种低维特征信息保留结构。同时,在解码层中通过池化索引上采样,减少图像边缘信息在反卷积过程中的损失。最后,在瞿昙寺壁画图像数据集上进行验证。结果表明,改进u-net方法在Iou和F1-Score两项评价指标上的均值分别达到82.7%和90.5%,优于Segnet及标准u-net,证明了改进u-net网络模型对壁画颜料层脱落病害区域提取的有效性,可为壁画保护现状调查提供依据。

摘要：精确的图像分割是完成图像中物体姿态、大小估计的重要步骤,但由于物体的多样性、复杂性等原因,使得图像分割在计算机视觉领域仍然是具有挑战性的任务。针对标准u-net模型实现端到端的图像分割时精确度不高、训练难以收敛等问题设计了一种基于Gloabl-Local评估方法的u-net图像分割方法。首先根据同时兼顾全局信息和局部信息能够得到精确的图像分割图,论文提出了Gloabl-Local训练过程易拟合等问题,提出了改进u-net法和4个公共显著性检测数据集训练改进u-net网络模型,大大提高了图像分割的准确率。论文的方法平均准确率达到90.74%,与标准u-net相比具有更好的分割效果。此方法实现了准确高效的图像分割,为估计图像中物体的姿态、大小提供了可靠依据。