典型文献
基于级联卷积神经网络的轨枕裂纹识别方法研究
文献摘要：
针对传统混凝土轨枕裂纹识别检测方法中存在效率低下与准确度差的问题,提出一种基于级联卷积神经网络的混凝土轨枕裂纹识别算法.该算法主要包含裂纹定位检测网络与裂纹显著性分割网络,其中裂纹显著性分割网络包含裂纹粗显著性分割模块CEDNet(Crack Encoder Decoder Network)和裂纹边界精修模块CRRNet(Crack Residual Refinement Network),实现对轨枕裂纹分割精确分割(轨枕裂纹的精确分割).在有砟轨道道床图像中,混凝土轨枕裂纹边缘特征易淹没于碎石道砟边缘噪声中,因此,在输入SSD网络前先经过灰度投影法提取轨枕区域,然后用SSD网络对轨枕上的裂纹进行精确定位与分割.为进一步提取裂纹边缘特征的完整信息,对分割后的裂纹区域采用显著性分割算法,将其输入到CEDNet模块中先获得裂纹粗显著性预测图.将预测图输入到CRRNet模块,对其边缘信息与局部区域加以完善以达到保留边缘特征完整目的.采用混合BCE,SSIM和IOU 3种损失的裂纹检测综合损失函数,用来评价裂纹显著性分割网络提取出的裂纹与真实裂纹的偏差.实验结果表明:采用该综合损失函数,本算法对采集到的轨枕裂纹图像能进行更为准确的检测,裂纹边缘特征的完整性得到更好的保留.同时得到评价指标:F权重值(F-weighted)为0.831,平均绝对误差(MAE)为0.0157,AUC(Area Under the Curve)值达到0.9453,与其他网络模型相比,具有更好的识别性、较高的效率与鲁棒性.
文献关键词：
机器视觉;显著性检测;边缘提取;卷积神经网络
中图分类号：
作者姓名：
汪晨曦;李立明;柴晓冬;郑树彬;童千倩
作者机构：
上海工程技术大学 城市轨道交通学院,上海 201620
文献出处：
引用格式：
[1]汪晨曦;李立明;柴晓冬;郑树彬;童千倩-.基于级联卷积神经网络的轨枕裂纹识别方法研究)[J].铁道科学与工程学报,2022(06):1559-1567
A类：
CEDNet,CRRNet
B类：
级联卷积神经网络,裂纹识别,混凝土轨枕,识别检测,识别算法,裂纹定位,定位检测,测网,分割网络,Crack,Encoder,Decoder,Network,精修,修模,Residual,Refinement,精确分割,有砟轨道,道床,边缘特征,淹没,碎石,石道,道砟,SSD,灰度投影,投影法,枕上,精确定位,分割算法,边缘信息,局部区域,BCE,SSIM,IOU,裂纹检测,损失函数,权重值,weighted,平均绝对误差,MAE,Area,Under,Curve,识别性,机器视觉,显著性检测,边缘提取
AB值：
0.381496
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。
