基于Unet实现水泥表面裂纹检测
摘要：近年来随着科技的迅速发展，检测逐渐由机器取代人工，人工检测需要的人力资源多，耗费时间长，会受多种因素限制检测范围或检测时间，效率较低，对现在的科学社会来说不是最优解。当我们把眼光转向机器，利用机器学习将基于计算机视觉采集图像并对图像进行检测，获得到复杂的数据集通过庞大的运算量提炼出信息，使得解决问题变得更加容易。本文首先分析了传统图像处理算法的优劣性，再提出使用基于全卷积网络的Unet算法，
国内外有不少论文同样是使用Unet算法进行检测，再对算法进行优化。
关键字：深度学习；边缘检测；裂纹检测；深度卷积神经网络
- 前言
1.1背景
近年来随着科技的迅速发展，车流量和人流量的与日俱增，交通风险不仅仅存在于驾驶员本身，同样还存在于我们日复一日所经过的道路和桥梁。水泥经过长时间的风吹日晒，会逐渐出现裂缝，由小变大，从不显眼的裂纹变为马路杀手，尤其是在桥梁上，承重本没有到达桥梁的极限，但因为裂纹的存在使得桥梁坍塌的风险急剧增长，因此我们需要及时检测到裂纹的出现。水泥路的路面质量会影响车辆行驶安全，对交通安全有极大的影响，因此对于水泥裂纹的检测是安全检测的重中之重。
2.2人工检测和机器检测
检测又分为人工检测和机器检测两种，但是人工检测需要的人力资源多，耗费时间长，会受多种因素限制检测范围或检测时间，效率较低，对现在的科学社会来说不是最优解。当我们把眼光转向机器，利用机器学习将基于计算机视觉采集图像并对图像进行检测，获得到复杂的数据集通过庞大的运算量提炼出信息，使得解决问题变得更加容易。硬件不断地发展，数据集不断地扩大以及算法的进步都在推动机器学习的发展，只需要用简单的端到端可训练的模型就能替代繁重的工程，深度学习尤为其中翘楚。它具有可扩展性、多功能性和重用性，不仅适用于复杂模型，也适用于小数据集。机器视觉工作过程中产生的所有测量数据，均能共享，优于人工检测的数据统计，因此机器检测逐渐取代人工检测。
3.3水泥裂纹研究现状
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。
