【《物体裂缝检测系统软件开发设计案例分析》3000字（论文）】

物体裂缝检测系统软件开发设计案例分析目录TOC\o"1-3"\h\u9968物体裂缝检测系统软件开发设计案例分析 198571.1语义分割之U-Net 1178411.2卷积神经网络 2184731.3基于局部预拟合的方法 3132091.4实验结果与分析 781761.4.1算法执行 7310771.4.2模型分割结果 8210691.4.3语义分割之U-net的特点 9语义分割之U-Net深度网络通常需要大量的数据进行训练，当样本量较少的情况下，深度网络可能表现没那么好。对于这个问题，本文提出了新的网络架构和图像增强策略网络处理架构通常包括两个encoder和dndecoder(它在论文中分别称为扩展浓缩映射路径(contractingpath)和称为扩展浓缩路径(expandingpath)，实际上它们就是两个encoder和dndecoder)，encoder网络可以有效地快速捕捉每个上下文中的信息，而decoder可以较好地预测位置信息。U-net是基于FCN网络的思想设计的，整个网络只有卷积层，而没有全连接层。在FCN中：网络的浓缩路径，图像分辨率逐渐降低，上下文信息会逐渐增强。在扩展路径中，通过上采样的方式，让特征图的分辨率逐渐增大。同时，为了结合低层featuremap的强位置信息，将浓缩路径中的相应部分结合到扩展路径中。这种架构可以较好地进行位置定位。图5-1-1卷积神经网络卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"卷积计算且具有深度结构的\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"前馈神经网络（FeedforwardNeuralNetworks），是\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"深度学习（deeplearning）的代表算法之一。卷积神经网络具有\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"表征学习（representationlearning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariantclassification），因此也被称为“平移不变人工神经网络（Shift-InvariantArtificialNeuralNetworks,SIANN）”。卷积核的神经网络直接仿造出了生物的视觉和知觉(visualperception)通过机制层的构建，可以同时进行过程监督性的学习和非过程监督性的学习，其中在隐含结构层内的卷积层与核之间参数数据共享和隐含层层之间连接的数据稀疏性等都使得卷积核的神经网络不仅能够以较小的高级计算机容量来针对格段特点化(grid-liketopology)进行特征,例如针对像素和海量音频特征进行监督学习、有稳定的学习效果且对海量数据分析没有额外的格点特征处理工程(featureengineering)技术要求。基于局部预拟合的方法在本章中我们需要提出另一种需要改进的物体活动图像轮廓预测模型，即对观测目标物体图像的各种局部性和能量活动进行预测模拟和组合。和经典的局部拟合的模型相比，此改进模型的计算量相对较低，而且分割的速度相对较快，与此同时，选择的初始轮廓也会有较好的鲁棒性。本节所提出的改进的模型可以很简单的适用于大多数的经典的基于局部区域拟合能量模型，并且可以提升分割效率，而且使改进后的模型降低初始轮廓的选择要求。根据模型的需要，我们先定义下面需要涉及到的函数：其中，所代表的是图像上某一点y的灰度值，代表的是在给定的图像域内，以x为活动中心的区域，区域的大小为。式中代表平均运算的是mean，代表的平均灰度值的分别为。和有以下的定义：在区域内，所有灰度值小于平均灰度值的像素点组成的区域用来表示，与之相反的是，所有灰度值大于平均灰度值的像素点组成的区域用来表示。根据上述两式，若给定一张图片，假如已经知道了某一点x还有对应的区域的尺寸，那么就可以直接的计算出和的值。如下图5-1中将区域以及分界线还有边缘点x上的和的值都体现出来了。图5-1模型示例图，图中白色粗壮线条为分界线,用来分开和，分割线左侧为，灰度均值为，右侧是，灰度均值为。随后，我们可以提出以下的局部预拟合能量方程：如果选取了某个点x，当曲线的位置刚好处在目标图像的边缘上的时候，就像下图中所示的分界线那样，那么上式中的能量将会取得最小值。通过下面几幅图来我们可以证明一下，当所选取的曲线刚好在目标边缘的时候，像下图，上述的能量函数的第一项近似于0，第2项也近似于0；当所选取的曲线在目标边缘某一侧的时候，像下图，上述的能量函数的第一项远远的大于0，第二项近似于0；当所选取的曲线穿过目标边缘的时候，像下图，上述的能量函数的第一项远远的大于0，第二项也远远的大于0；当所选取的曲线在目标边缘的另一侧的时候，像下图，上述的能量函数的第一项近似于0，第二项远远的大于0；因此，通过上面的对比分析可得，只有当轮廓的位置处在在目标边界上的时候，上述公式得能量值才能被最小化。（b）（c）(d)图5-2曲线在不同位置对应的能量值在普遍使用的局部拟合的活动轮廓模型中，高斯核函数因为它的局部化的特征而被广泛的应用到众多模型中，高斯核函数还可以用来替代局部窗口函数，所以，上述公式我们可以改写为：根据上述分析，为了保证图像域中的所有点的合理性，我们需要将能量函数的积分最小化，随之可得到下面的能量方程：当取得最小值的时候，曲线C会把所有的在边缘上的分界线都包含在其中，但是，我们也会发现在不是边缘的地方也会有一些冗余的曲线，对于出现的这种情况，我们需要加入一个长度约束项,用此约束项来去除冗余的曲线，还可以使曲线变得光滑，随后再将距离正则项嵌入到公式中，用来规避曲线不断进行水平集函数的初始化。因此，合并起来的能量可以写成下式：上式中，分别代表着长度项和正则化项前面的系数，和的定义可以参见之前的公式（补充前面的公式），的定义如下：再利用梯度下降法，将上述公式表示的能量方程的水平集函数进行最小化，从而获得最终的梯度下降流方程：式中的和分别为：在上式中，和是通过计算公式和出来的，我们可以将这两个函数当成拟合函数，用来近似的表示初始轮廓两边的局部图像的灰度值。又因为这两个拟合函数是在曲线演化之前就已经计算出来的，并且没有必要在每次迭代中都自动更新，所以把这两个函数称为局部预拟合函数，其对应的能量就称为局部预拟合能量。在通过比较LBF模型的能量和本节提出来的局部预拟合能量,从这两个能量函数可以看出，拟合函数的不同是它们唯一的区别，也就是原始模型中的拟合函数和被改进过的预拟合函数和所替代。在LBF模型中，和这两个拟合函数在每一次的迭代中均会与水平集函数保持一致，随着的变化而进行同步更新，且拟合函数更新一次，图像卷积都是跟着操作两次，因此计算比较复杂。但是在BLBF模型中，预拟合函数和和水平集函数毫无关系，它们只是在曲线演化开始之前被计算一次，而且不需要在每次迭代中都进行重新初始化。所以，BLBF模型与传统的基于局部拟合能量相比优点就是具有更少的计算量。而且正是由于当给定一张图片及其局部核后，它的预拟合函数和就可以保持不变，因此，BLBF模型很难会陷入局部最小的情况，所以，此改进模型对初始轮廓的选择也没有太高的要求。实验结果与分析算法执行本节将通过输入几张图片对改进的模型进行测试，并且和原来的经典的局部拟合模型进行比较。改进的模型的执行过程如下：步骤一：调整函数式中所涉及到的参数，其中包括初始水平集函数。步骤二：图像中的每一个点都根据上述公式和把和计算出来。步骤三：再通过公式和来不断的初始化水平集函数，当水平集函数收敛到最小时再停止更新。模型分割结果如下图所示，在处理一些分布不一致、边缘处若隐若现、对比度不高道路路面裂缝结果。如下所列所示。原图裂缝图语义分割之U-net的特点5个poolinglayer识别实现了物理网络对基于图像物理特征的多种大尺度图像特征自动识别。上一个采样部分特征会直接融合特征提取部分的特征输出，这样这么做实际上也就是将多个同尺度地图特征网络融合连接在了一