10.19713/j.cnki.43-1423/u.T20220712
基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法
随着地铁隧道服役时间增长,隧道衬砌在多因素影响下病害频发,对隧道结构及临近附属设施造成不良影响,严重危及到行车安全.因此,亟需精确高效的地铁隧道病害及设施检测技术.然而,地铁隧道存在内部环境复杂,附属设施与衬砌病害纹理及灰度相似、目标尺度不一等检测难点,传统的人工巡检及数字图像处理方法均存在局限.针对上述问题,提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型.针对设施及病害的位置特征引入坐标注意力(Coordinate attention)引导模型对目标区域赋予更高权重,抑制背景噪声;采用BiFPN(Bi-directional Feature Pyramid Network)特征融合网络提升小目标病害检测效果;并利用GhostBottleneck替代部分卷积减少模型参数,提高检测效率.为验证改进后模型检测性能,进行现场实验,构建样本数量为843的地铁隧道衬砌图像数据集.并采用随机裁剪、镜像翻转等数据增强方法,将样本量扩充至4072.数据集上的实验结果表明,改进模型的平均精度均值(mAP)可达89.2%,较原模型提高了3.7%,有效提升了隧道环境中小目标病害的检测效果.且模型参数减少了12%,更有利边缘端部署.相比于其他隧道检测模型,改进后的模型在综合性能上更具优势,可为地铁隧道衬砌病害实时检测和附属设施数字化提供技术支持.
地铁隧道、衬砌检测、深度学习、目标检测
20
TP391(计算技术、计算机技术)
国家重点研发计划;深圳市地铁集团有限公司科研咨询服务;深圳市科技创新委项目;广东省区域联合基金青年项目;广东省自然科学基金面上项目
2023-04-12(万方平台首次上网日期,不代表论文的发表时间)
共12页
1008-1019