|
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) 1 _: Y' x+ R: a2 L% e2 P+ v n
4 R0 B( [1 }4 D, v x
4 u( [5 c- P9 n/ S" W {
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; @8 I5 W' ?$ T
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
% C* J. S0 o# k( f3 K5 f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," Y6 }4 e$ E2 D+ {0 s0 h! x
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
8 x2 l1 k. c! g3 S. s; Z- Q( O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6 i- n( R4 a G: N) C
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3 S5 A! V7 n# |/ S% D' R
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3 w" J h, K+ N; {8 V7 Q
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。; g8 R: i: Z3 r2 g9 m/ [0 o3 S
! {2 ^1 V$ J" R8 l
& t9 \9 ?1 s2 E6 {1 S; J+ h. H$ F1 q0 v5 i- T
/ ~$ O7 A! X5 ]
7 U# O" k4 q' J1 Q: U
0 `. Z( j n0 q ]8 n U9 ]% G0 `5 r! M/ D# C5 L9 |
|