基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
传统探地雷达图像识别方法中存在识别准确率不高,复杂目标体识别难度大,识别流程较为繁琐,不能实现端到端识别等问题,不能准确的识别实测数据.本文将深度学习中Faster R-CNN、YOLOv3这两种具有代表性的目标检测算法运用到探地雷达的图像识别当中.选择隧道的衬砌结构作为探测识别研究目标,制作了包含钢拱架、钢筋网、施工缝三类结构物标注的实测数据集.从准确率、召回率、平均准确率,准确率-召回率曲线等评价指标,分析了这两种算法在实测数据集上的表现.并对照典型的识别结果,结合这两种算法的原理说明了其运用到探地雷达图像自动识别上的特点.在测试集上,Faster R-CNN在钢拱架、钢筋网、施工缝三类结构物的识别中分别取得了95.5%、90.5%、96.8%平均准确率,YOLOv3则分别取得了90.0%、16.6%、95.3%平均准确率.实验结果表明两种深度学习目标检测方法在隧道衬砌探地雷达图像的识别上取得了良好的效果,其中Faster R-CNN整体效果更好,但会将多次波误识别为有效信号,YOLOv3较少误识别多次波,但是对钢筋网识别效果不好,两种方法搭配使用会形成优势互补.
推荐文章
隧道衬砌空洞的探地雷达图谱特征研究
探地雷达
空洞模型实验
图谱特征
基于深度学习的盾构隧道衬砌病害识别方法
盾构隧道
衬砌病害
深度学习
卷积神经网络
图像分类
基于深度学习的地铁隧道衬砌病害检测模型优化
地铁盾构隧道
裂缝
渗漏水
深度学习
病害检测
基于深度学习的页岩孔隙类型自动识别方法
测井解释
非常规储层
数字岩石物理
深度学习
卷积神经网络
孔隙识别
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于深度学习的隧道衬砌结构物探地雷达图像自动识别
来源期刊 地球物理学进展 学科 地球科学
关键词 深度学习 探地雷达 自动识别 Faster R-CNN YOLOv3
年,卷(期) 2020,(4) 所属期刊栏目 应用地球物理学Ⅱ(海洋、工程、环境、仪器等)
研究方向 页码范围 1552-1556
页数 5页 分类号 P631
字数 语种 中文
DOI 10.6038/pg2020DD0325
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 冯德山 71 1098 21.0 30.0
2 杨子龙 1 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (21)
共引文献  (0)
参考文献  (10)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1988(1)
  • 参考文献(1)
  • 二级参考文献(0)
2001(3)
  • 参考文献(0)
  • 二级参考文献(3)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(3)
  • 参考文献(0)
  • 二级参考文献(3)
2008(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(2)
  • 参考文献(0)
  • 二级参考文献(2)
2013(1)
  • 参考文献(1)
  • 二级参考文献(0)
2014(5)
  • 参考文献(1)
  • 二级参考文献(4)
2015(2)
  • 参考文献(1)
  • 二级参考文献(1)
2016(4)
  • 参考文献(2)
  • 二级参考文献(2)
2017(4)
  • 参考文献(1)
  • 二级参考文献(3)
2018(3)
  • 参考文献(2)
  • 二级参考文献(1)
2019(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
深度学习
探地雷达
自动识别
Faster R-CNN
YOLOv3
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
地球物理学进展
双月刊
1004-2903
11-2982/P
大16开
北京市9825信箱(朝阳区北土城西路19号中科院地质与地球物理研究所) 质与地球物理研究所办公楼113号)
1986
chi
出版文献量(篇)
5468
总下载数(次)
11
总被引数(次)
68508
论文1v1指导