典型文献
无砟道床表观伤损智能识别算法研究
文献摘要：
为提高无砟道床表观伤损检测系统的检测精度和准确率,提出了一种多尺度多任务的伤损智能识别算法.采用特征图L1范数准则对ResNet网络的冗余卷积核进行压缩剪枝,以降低模型计算量和存储空间.通过采集的图像构建样本库,利用像素级语义分割算法,以优化后的ResNet网络为编码网络,以PPM网络为解码网络,搭建编码-解码深度学习架构模型,并通过测试集试验和现场试验对模型进行验证.结果表明,该模型对2000张测试图像的识别准确率为95.6％,无砟道床表观伤损现场检出率为96.4％,检测效果良好.该模型可以实现对无砟道床表观伤损的自动化检测、伤损趋势分析和状态评定.
文献关键词：
无砟道床;表观伤损;深度学习;智能识别;语义分割
中图分类号：
作者姓名：
王宁;柴雪松;暴学志;李健超;马学志;田德柱
作者机构：
中国铁道科学研究院集团有限公司铁道建筑研究所,北京100081;中铁科学技术开发有限公司,北京100081
文献出处：
引用格式：
[1]王宁;柴雪松;暴学志;李健超;马学志;田德柱-.无砟道床表观伤损智能识别算法研究)[J].铁道建筑,2022(04):22-26,63
A类：
表观伤损
B类：
无砟道床,智能识别,识别算法,算法研究,检测精度,多任务,特征图,L1,范数,ResNet,余卷,卷积核,剪枝,计算量,存储空间,样本库,像素级,语义分割,分割算法,编码网络,PPM,解码,深度学习架构,测试集,现场试验,识别准确率,检测效果,自动化检测
AB值：
0.293806
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。
