10.16503/j.cnki.2095-9931.2022.04.010
基于智能图像识别的地铁保护区内钻机检测方法
为增强地铁保护区内钻机施工识别的及时性和准确性,对比分析了Faster R-CNN(Faster-Regions with CNN Features),SSD(Single Shot MultiBox Detector)和 YOLO(You Only Look Once)3 种图像识别算法模型的优缺点和适用场景,构建了结合马赛克数据增强和学习率余弦退火算法的地铁保护区钻机检测方法,分析了权重衰减系数等参数和算法对于识别准确率和帧率等的敏感性.结果表明:YOLO模型系列中的YOLOv4模型对于钻机识别的平均准确率达到了94.03%,帧率为8.9fps,精确率、召回率及调和平均数也均超过了Faster R-CNN,SSD和YOLOv3模型,并且在同时使用马赛克数据增强和学习率余弦退火算法时平均准确率达到最高.由此说明,YOLOv4模型在钻机识别中适用性较好,可以有效实现对监控影像中钻机图像的自动识别、检测和预警,为实时监测、快速处置保护区违规施工提供技术支撑.
地铁保护区、人工智能、图像识别、深度学习、钻机检测
8
U231.92(特种铁路)
中央级公益性科研院所基本科研业务费项目20214813
2022-10-24(万方平台首次上网日期,不代表论文的发表时间)
共8页
110-117