10.3969/j.issn.1003-1995.2019.12.23
基于Cascade R?CNN的铁路路基翻浆冒泥 病害智能识别方法
针对铁路路基检测数据量大、人工识别效率低的问题,提出一种基于深度学习的铁路路基翻浆冒泥病害智能识别方法.本方法以级联区域卷积神经网络(Cascade Region Convolutional Neural Networks,Cascade R?CNN)为基础识别算法,利用Cascade R?CNN的多阶段检测架构,逐级提高交并比IoU阈值,在不减少样本数的前提下提高模型性能.为解决距离较近的高置信度目标病害被抑制的问题,使用Soft?NMS(Non?maximum Suppression)方法代替传统NMS,以减少假阳性结果的出现.同时,针对自制训练集样本量较小的问题,综合运用多种数据增强技术,防止模型过拟合,提高鲁棒性.试验结果表明,采用改进的基于Cascade R?CNN的识别方法在自制数据集上取得了43.7%的平均精度.模型对比试验也进一步验证了本文方法的有效性.
铁路路基、翻浆冒泥、路基病害、目标检测、病害识别、Cascade R?CNN、机器学习
59
U216.3;TP391.4(铁路线路工程)
中国铁路总公司科技研究开发计划2017G002-Q
2020-01-16(万方平台首次上网日期,不代表论文的发表时间)
共6页
99-104