基于改进Faster R-CNN+ZF模型的铁路桥梁裂缝分类方法

被引：13

作者：

王纪武 ^{[1
]}

鱼鹏飞 ^{[1
]}

罗海保 ^{[1
]}

机构：

[1] 北京交通大学机械与电子控制工程学院

来源：

北京交通大学学报 | 2020年 / 44卷 / 01期

关键词：

铁路桥梁裂缝; 自动分类; 数据增强; Faster R-CNN; 特征提取;

D O I：

暂无

中图分类号：

U446 [桥梁试验观测与检定]; TP391.41 [];

学科分类号：

080203 ; 0814 ; 081406 ;

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49 124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.

引用

页码：106 / 112

页数：7

共 10 条

[1] 基于Faster R-CNN的多尺度高压塔鸟巢检测
王纪武
罗海保
鱼鹏飞
郑乐乐
胡方全
[J]. 北京交通大学学报, 2019, (05) : 37 - 43
[2] Faster-RCNN的癌症影像检测方法
王黎
陆慧娟
叶敏超
严珂
[J]. 中国计量大学学报, 2018, 29 (02) : 136 - 141
[3] 结合深度学习与条件随机场的遥感图像分类
夏梦
曹国
汪光亚
尚岩峰
[J]. 中国图象图形学报, 2017, (09) : 1289 - 1301
[4] 基于爬壁机器人的桥梁裂缝图像检测与分类方法
陈瑶
梅涛
王晓杰
李峰
刘彦伟
[J]. 中国科学技术大学学报, 2016, 46 (09) : 788 - 796
[5] 基于多特征的路面裂缝目标提取方法
姜吉荣
陈小惠
[J]. 计算机技术与发展, 2016, 26 (05) : 173 - 178
[6] 基于图像分析的高速铁路桥梁裂缝特征识别技术研究[D]. 鱼鹏飞.北京交通大学. 2019
[7] 基于深度学习的铁路扣件检测系统的研究[D]. 龙炎.北京交通大学. 2018
[8] 基于图像处理的铁路混凝土桥梁裂缝探测和信息获取[D]. 张登峰.北京交通大学. 2014
[9] One versus one multi-class classification fusion using optimizing decision directed acyclic graph for predicting listing status of companies[J] . Ligang Zhou,Qingyang Wang,Hamido Fujita.Information Fusion . 2017
[10] Selective Search for Object Recognition
Uijlings, J. R. R.
van de Sande, K. E. A.
Gevers, T.
Smeulders, A. W. M.
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2013, 104 (02) : 154 - 171

← 1 →