- 选题背景和意义：
根据《2018年交通运输行业发展统计公报》，在2018年末我国高速公路总里程484.65万公里，比去年增加7.31万公里；公路养护里程475.78万公里，占公路总里程的98.2%。公路养护工作日渐繁重，亟需一种方便、快速、准确的路面状态信息获取方法。而随着计算机技术的发展，对于图像识别的相关算法被提出并不断优化，一些相关算法在特定数据集上的准确度达到98%以上，已经完全超过了人的识别度。随着神经网络和卷积神经网络在图像识别上的发展应用，给道路路面病害的检测提供了新的手段和方法。应用图像识别的相关技术可以快速识别路面病害，将节约大量的人力并提高路面养护维修的能力，适应我国路面养护管理的需求。本项目正是着眼于此提出，考察相关算法，并研究分别在有水、潮湿情况和干燥情况下路面裂缝检测能力的比较和研究。
- 课题关键问题及难点：
1、图像采集处理
分别采集足够多的干燥情况和有水情况下的路面不同裂缝的图形数据。对于用于机器学习的图像数据的处理，其中包括灰度化、标签化、选择合适的分辨率并调整数据的权重和数据增强等。最终形成数据量满足神经网络训练基本要求并且在一定程度上防止过拟合的数据集，为神经网络训练奠定基础。
- DNN和CNN模型
分别采取多层感知机和卷积神经网络两类神经网络模型在沥青路面状态识别的效果。通过一系列算法优化方法提高识别效率，使模型在测试集上有良好的表现，并借助混淆矩阵对两类模型就识别准确率方面进行直观对比。
- 研究潮湿情况下路面裂缝图像在干燥路面裂缝情况下训练的模型上的表现
将模型在干燥路面裂缝图像下训练，分别用来识别干燥路面裂缝和有水情况下裂缝，观察准确度，并将模型在在潮湿路面裂缝图像下训练，分别用来识别干燥路面裂缝和有水情况下裂缝，观察其识别度。
- 裂缝长宽特征提取
使用包括空间域滤波、阈值二值化以及形态学滤波，并在此基础上，采取突出裂缝区域、降低背景噪音的图像处理方法，对图像中横向裂缝和纵向裂缝的宽度进行识别。
- 文献综述（或调研报告）：
路面检测识别技术研究现状：
2010年，日本早稻田大学的Tomoyuki等人提出了一种基于渗漏法的混凝土表面裂缝识别方法，对无噪图像和有噪图像在这种方法处理后的结果表明，该方法对在图像分割和运算速度上都能取得较好的效果。2013年，Salman等人提出了一种基于Gabor滤波的自动识别数字图像裂缝方法，通过Gabor滤波器可以对多方向的裂缝进行检测，其测精度可以达到 95％。2014年，Yi yang等人提出了一种裂缝检测算法，该算法通过对图像进行预处理、图像分割和特征提取，能够获得裂缝图像的相关信息。
(2)基于神经网络方法
Ceylan等人介绍了神经网络在道路工程中的最新应用。Eldin和Senouci提出了一种用于评估公路路面状况的人工神经网络模型。Roberts和Attoh-Okine使用不同类型的人工神经网络对路面性能进行了预测，而Kirbaş和Karaşahin将人工神经网络与回归分析和多自适应回归等方法进行了比较，提出了一种路面性能的评价模型。Attoh-Okine采用人工神经网络模型对不同相关路面条件变量的窘迫路面条件进行了评估，而 Owusu-Ababio提出了一种预测裂缝演变的程序。Plati等人使用神经网络从 FWD 数据评估了路面结构状况。La Torre等人通过神经网络预测公路路面的粗糙度，这个方法也可以用于裂缝识别。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
