典型文献
基于轻量卷积神经网络的高速铁路隧道表面病害筛选算法
文献摘要：
随着急剧增加的高速铁路隧道检测需求,基于计算机视觉的高速铁路隧道病害识别和健康检测是国内外的新趋势.然而,高速铁路隧道结构表面图像大多数是无病害图像(占比90％以上),剔除大量无病害图像而只保存有病害图像,可以大幅减少图像存贮量和降低高速海量存贮对硬件要求.为此,提出一种基于深度卷积神经网络的隧道表面病害筛选算法,以推理速度和预测精度均衡的残差神经网络ResNet-18作为主干结构,将深度可分离卷积替代标准卷积搭建适用于实时筛选的轻量模型ResNet-DS(Depthwise Separable),采用权重损失函数、静态离线量化进行模型优化,新算法对神经网络轻量化,实现了海量图像高速识别和剔除.结果表明:改进的轻量模型识别精度高达98.67％,与原模型相比较,筛选速度在GPU(RTX 2060Super 8G)上提升22％(10.86 ms/张),在CPU上提升178％(21.20 ms/张).该研究为病害快速采集系统提供一种实时筛选算法,更好地满足检测需求.
文献关键词：
高速铁路;铁路隧道;表面病害;深度学习;卷积神经网络;轻量模型;图像分类
中图分类号：
作者姓名：
黄晓东;漆泰岳;覃少杰
作者机构：
西南交通大学土木工程学院,成都 610031;广州地铁集团有限公司,广州 510310;西南交通大学交通隧道工程教育部重点实验室,成都 610031
文献出处：
引用格式：
[1]黄晓东;漆泰岳;覃少杰-.基于轻量卷积神经网络的高速铁路隧道表面病害筛选算法)[J].铁道标准设计,2022(05):112-118
A类：
2060Super
B类：
轻量卷积神经网络,高速铁路隧道,表面病害,筛选算法,着急,隧道检测,计算机视觉,隧道病害,病害识别,健康检测,隧道结构,结构表面,表面图像,无病,病害图像,存有,存贮,贮量,深度卷积神经网络,推理速度,残差神经网络,ResNet,主干结构,深度可分离卷积,标准卷积,轻量模型,DS,Depthwise,Separable,用权,损失函数,离线,模型优化,新算法,网络轻量化,模型识别,识别精度,GPU,RTX,8G,ms,CPU,快速采集,采集系统,图像分类
AB值：
0.37945
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
