基于改进Faster R-CNN+ZF模型的铁路桥梁裂缝分类方法

• 作者: 王纪武 罗海保 鱼鹏飞
• 来源期刊: 北京交通大学学报
• 学科: 工学
• 关键词: 铁路桥梁裂缝 自动分类 数据增强 FasterR-CNN 特征提取
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 机械与电子控制工程
• 页码范围: 106-112
• 页数: 7页
• 分类号: TP391.4
• 字数: 4440字
• 语种: 中文
• DOI: 10.11860/j.issn.1673-0291.20190030

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王纪武	北京交通大学机械与电子控制工程学院	8	20	2.0	4.0
2	罗海保	北京交通大学机械与电子控制工程学院	6	2	1.0	1.0
3	鱼鹏飞	北京交通大学机械与电子控制工程学院	7	4	1.0	1.0