基于Cascade R-CNN的铁路路基翻浆冒泥病害智能识别方法

论文摘要

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。

论文目录

• 1 国内外研究现状
•   1.1 铁路路基病害识别方法
•   1.2 目标检测的发展现状
• 2 Cascade R-CNN简介
•   2.1 Cascade R-CNN
•   2.2 级联检测
•   2.3 级联回归函数
•   2.4 实现细节
• 3 基于Cascade R-CNN的路基病害识别方法
•   3.1 病害识别流程
•   3.2 Soft-NMS
•   3.3 数据增强
• 4 试验与结果分析
•   4.1 数据集准备
•   4.2 环境配置
•   4.3 模型训练与关键参数设置
•   4.4 试验结果与评估
•   4.5 对比试验与分析
• 5 结论

文章来源

类型: 期刊论文

作者: 徐昕军,江波,黄启迪

关键词: 铁路路基,翻浆冒泥,路基病害,目标检测,病害识别,机器学习

来源: 铁道建筑 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 铁路运输

单位: 中国铁道科学研究院集团有限公司基础设施检测研究所

基金: 中国铁路总公司科技研究开发计划（2017G002-Q）

分类号: U216.418

页码: 99-104

总页数: 6

文件大小: 1054K

下载量: 182