基于改进Faster R-CNN+ZF模型的铁路桥梁裂缝分类方法
王纪武
鱼鹏飞
罗海保
1.北京交通大学 机械与电子控制工程学院,北京 1000442.北京交通大学 机械与电子控制工程学院,北京 1000443.北京交通大学 机械与电子控制工程学院,北京 100044
摘要：针对传统图像处理算法不能对存在过饱和像素和随机高强度噪声影响的铁路桥梁裂缝图像有效分类的问题,设计了一种基于改进Faster R-CNN+ZF模型的铁路桥梁裂缝自动分类方法.首先将原始图像集进行数据增强后,参照Pascal Voc数据集格式自制训练所需数据集;然后在Faster R-CNN网络模型前添加一层Prewitt算子锐化卷积层提升模型特征提取能力;最后重置ZF模型中相关卷积核的尺度、优化模型超参数和学习率,使模型的鲁棒性和高实时性得到有效保障.该方法在实际采集的49124幅铁路桥梁裂缝图像数据集中进行测试.结果表明:新的算法能实现所有铁路桥梁裂缝类型的分类,有效裂缝识别率达93.7％以上,明显优于投影法和支持向量机法,具有很强的工程应用价值.
关键词：铁路桥梁裂缝自动分类数据增强FasterR-CNN特征提取
分类号：TP391.4(计算技术、计算机技术)
资助基金：中央高校基本科研业务费专项资金(KMGY16002531)
论文发表日期：2020-02-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 106-112 )
英文信息