QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2220|回复: 0
打印 上一主题 下一主题

[书籍资源] 结构化区域全卷积神经网络的钢轨扣件检测方法_蒋欣兰 (1)

[复制链接]
字体大小: 正常 放大
杨利霞        

5273

主题

82

听众

17万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    跳转到指定楼层
    1#
    发表于 2020-10-19 16:15 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta
    结构化区域全卷积神经网络的钢轨扣件检测方法_蒋欣兰 (1)
    ' J* ?0 c! B% C

    & ]) H) I3 h7 P7 y: m4 N- |. M# b0 b" W) \" P! H9 _
    现有的深度学习模型很难满足高速检测的实时性,针对性地提出了一种结构化区域全卷积2 @% s2 E4 Q# A- w+ g& m
    神经网络(SR-FCN)。为了满足高速综合巡检车实时检测的任务,考虑到轨道图像中钢轨、扣件、轨道
    : T" z9 Z, ]- b# ]6 m板等设施位置相对固定,其位置分布可以构成轨道场景特有的结构化特征,因此设定了结构化检测区域,
    * R$ `: t1 o4 y! {% T) E' i- ?将一幅图像中扣件小目标的检测转化为一整块具有固定结构的大目标区域检测,将扣件小目标的检测问
    ; P: s6 |* x% [) ?8 h1 h; Q6 @题转化为结构化区域的定位问题,可加快网络的训练收敛速度,减少候选区域的生成个数,从而大幅提
    : `) }: M% e" f$ c& t6 J高检测速度。将铁路轨道的结构化先验信息融合到深度学习网络的各个过程中,有效提高了定位精. v; S. s) Z8 x5 T1 l6 a2 c
    度,保证了检测的鲁棒性。实验室离线分析和现场在线检测的结果表明,所提出的 SR-FCN 网络分别获
    6 E; n8 n& l+ f得了 99.99%和 99.84%的检测精度,同时还保持了较快的检测速度,可以满足 350km/h 的实时检测要求。. G- A" O7 @- v9 x9 e

    7 x6 l9 {, }1 p3 [! F# x; x
    : e& h$ J2 g  a: N# t7 |- L% y! A1 A6 E) ?4 W9 V: O) [8 c1 O3 T
    % E2 V7 Q* a% s8 d# O& E

    : d# A  @4 @6 f1 F# q
    ! e: K4 W# O  N) k. G" |9 \+ @1 F0 X+ m3 d  M7 A* _& J

    结构化区域全卷积神经网络的钢轨扣件检测方法_蒋欣兰 (1).pdf

    840.01 KB, 下载次数: 0, 下载积分: 体力 -2 点

    售价: 3 点体力  [记录]  [购买]

    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2026-6-15 19:50 , Processed in 0.611002 second(s), 54 queries .

    回顶部