MFC-DeepLabV3+：一种多特征级联融合裂缝缺陷检测网络模型

道路裂缝对道路安全存在很大威胁,确保道路的安全性离不开对裂缝的准确检测。针对常规的人工检测方法和传统机器学习检测方法泛化性低且在复杂背景下裂缝分割检测准确率低等诸多问题,提出一种新型道路裂缝缺陷检测模型MFC-DeepLabV3+(Multi Feature Cascade-DeepLabV3+,多特征级联-DeepLabV3+)。首先,针对裂缝图像拓扑结构复杂,非均匀性强等问题,对主干特征提取网络进行改进,提出采用通道维度的分组卷积和分离注意力模块增强模型对裂缝图像特征提取能力,同时引入位置信息注意力机制提升对裂缝目标结构特征的精准定位,扩大网络各层特征信息的利用率。其次,加入多分支共享密集连接改进ASPP(Atrous Spatial Pyramid Pooling,空洞空间金字塔池化)模块,使其模仿人类视觉行为感知,在感受野保持均衡的同时生成密集覆盖裂缝尺度范围的特征语义信息。最后,在模型特征融合阶段增加多重边缘细化融合机制,使模型加大对高低阶特征信息的利用,提升模型对裂缝边缘精确分割的能力,防止裂缝轮廓边缘像素缺失。为验证MFC-DeepLabV3+模型的有效性,在公开路面裂缝...     

基于区域级和像素级特征的路面裂缝检测方法

路面裂缝图像普遍存在光照不均匀,对比度低,噪声干扰严重等问题,传统图像处理方法无法有效检测路面裂缝。提出一种综合区域级和像素级特征的分步路面裂缝检测算法,将检测过程分为裂缝区域检测和区域内裂缝精确检测2部分依次进行。设计一种基于拟合图像背景的匀光算法,并结合其他预处理算法改善图像质量;而后基于图像连通域特征,采用基于多特征的滤波方法以及基于SVM的裂缝区域分类法完成裂缝区域检测;在裂缝区域内采用基于像素灰度与梯度特征的种子生长法提取裂缝目标。实验结果表明,该算法能够较好的检测和标识出复杂路面裂缝图像中的裂缝目标。     

基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

基于卷积LSTM的混凝土裂缝图像识别技术

为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络（Long Short Term Memory networks,LSTM）的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续性;基于编解码的图像分割思想,构建基于VGG(Visual Geometry Group)骨干网络的特征提取编码器,结合卷积LSTM模块学习裂缝的上下文关联特征,通过解码器和分类模型实现裂缝分割,建立编解码特征独立的EDConvLSTM(Encoder-Decoder Convolutional Long Short Term Memory networks)裂缝分割模型,并进一步构建编码器与解码器特征融合的FEDConvLSTM(Fused Encoder-Decoder Convolutional Long Short Term Memory networks)模型,将高层特征与底层特征相结合,在保证裂缝完整性的同时充分挖掘裂缝的边缘信息,实现混凝土裂缝的精准分割。利用Github平台Yhlleo提供的开放基准数据集DeepCra...     

行李安检禁限带物品识别多标签图像分类算法

有效识别禁限带物品的智能识别算法有助于降低安检人员劳动强度,提升旅客行李安检作业效率。文章采用图像多标签分类的深度卷积神经网络,通过引入图像注意力机制与动态元融合,能够在卷积前向传递过程中补充低层图像视觉线索,有效应对行李X光图像中物品影像混叠干扰及低分辨率特征混淆的问题,增强对细粒度特征的识别能力;同时,引入外部神经知识的元选择网络,实现网络多阶段预测的自适应融合,以避免权重偏置现象。实验结果表明,文章算法能够克服行李X光图像中影像混叠和物品尺度变化带来的禁限带物品识别困难,有效提高识别准确率。     

基于深度残差网络的轨道结构病害识别

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。     

朔黄铁路隧道衬砌表观病害检测技术

为实现朔黄铁路隧道衬砌表观病害远距离非接触快速检测,提出一种基于多源数据深度融合的隧道病害检测方法。首先利用高清线阵相机、激光扫描传感器等检测设备获取隧道衬砌表观高清图像和激光点云数据,然后利用特征提取网络提取图像和点云特征图,并采用空间变换方法将图像特征图投影到点云特征俯视图上得到融合特征图,最后利用候选区域网络和金字塔场景分析网络对融合特征图进行检测识别,输出病害的类型与位置信息。在朔黄铁路重点隧道开展的现场试验表明,该方法能检测隧道裂缝、掉块、渗水等表观病害状态,有效提升重载铁路隧道运维的智能化程度及综合检测水平。     

基于卷积神经网络的动车组行车安全图像缺陷检测与分割

动车组运行故障动态图像检测系统TEDS在客运专线安装部署,为动车组安全运行提供保障。针对TEDS缺陷自动检测精度低的问题,提出基于卷积神经网络的TEDS缺陷检测与分割模型,采用特征金字塔网络提取缺陷的多尺度融合特征,采用可改变感受野的可变形卷积DCN适应缺陷形态的多样性。TEDS缺陷检测任务中缺陷数量远小于背景数量,采用在线困难样本挖掘OHEM筛选出困难样本,重新输入预测网络以平衡正负样本的比例。通过对几个动车段的TEDS图像数据进行试验分析,结果表明该模型的准确率、召回率优于传统方法。另外,迁移学习试验结果验证了模型的泛化能力,且该模型可以实现缺陷的精准分割。     

融合自注意力机制与深度学习的混凝土表面裂隙智能识别

混凝土裂隙几何信息识别的精确度,影响后期工程的安全.而传统的检测方法存在对裂隙识别不准、不全、不即时的缺陷,无法满足精度和实效性的现实需求.本文提出一种融合自注意力机制与全卷积神经网络的图像分割算法,以混凝土裂隙图像建立数据集,搭建深度学习网络;以全卷积神经网络训练模型,使用空间自注意力模块调整特征编码,输出基于自注意...     

基于改进Faster R-CNN的CRTSⅡ型轨道板裂缝检测方法

高速铁路无砟轨道伤损检测维修的准确率和时效性关乎高速铁路的运营安全，采用机器视觉技术进行高速铁路无砟轨道板裂缝伤损检测可极大提升检测工作的准确率和效率，为此根据CRTSⅡ型轨道板裂缝伤损样本数据特点，提出一种基于改进Faster R-CNN的方法对轨道板裂缝进行检测。该改进方法将检测问题转化为定位问题，精简网络模型，其主干网络选用残差网络，避免网络深度过深而导致学习速度下降；引入引导锚框，以减少冗余锚框，提高检测针对性；采用Soft-NMS算法，改善轨道板裂缝检测的重叠状况，提高裂缝检测效果。为评估该改进方法的可靠性，建立CRTSⅡ型轨道板裂缝检测评价标准，并依据该评价标准将改进方法与R-FCN,YOLO-v5,Faster R-CNN及YOLOx网络算法进行对比测试。结果表明：提出的改进方法综合表现优于其他算法，具有更高的准确率以及最小的漏检率，最佳模型查准率为95.9%，查全率为89.6%，相较于其他几种经典算法分别提高了约2%～4%和2%～6%，能够较好地应用于CRTSⅡ型轨道板裂缝检测场景。     

基于特征分析的地铁隧道裂缝识别算法

有效地检测地铁隧道表面裂缝对于隧道的安全至关重要。地铁隧道表面图像普遍存在光照不均匀,目标对比度低,背景纹理复杂,噪声干扰严重等问题,而检测传统图像裂缝,如混凝土表面、路面裂缝等的算法不能很好地适用于地铁隧道表面图像。为此本文提出了一种隧道表面裂缝识别的算法。该算法首先利用Mask匀光等预处理算法改善隧道图像的质量,而后分别设计了基于模板的分析法、基于Hough变换的线型结构分析法、基于SVM的近似裂缝结构分析法等算法对隧道表面裂缝图像各成分进行提取,从而达到识别裂缝的目的。实验结果表明,该算法对传统裂缝图像的识别准确率可达97%,对于隧道表面的裂缝图像识别准确率可达81%。     

基于轻量卷积神经网络的高速铁路隧道表面病害筛选算法

随着急剧增加的高速铁路隧道检测需求,基于计算机视觉的高速铁路隧道病害识别和健康检测是国内外的新趋势.然而,高速铁路隧道结构表面图像大多数是无病害图像(占比90％以上),剔除大量无病害图像而只保存有病害图像,可以大幅减少图像存贮量和降低高速海量存贮对硬件要求.为此,提出一种基于深度卷积神经网络的隧道表面病害筛选算法,以推...     

基于卷积神经网络的列车实时客流检测算法

城市轨道交通作为城市公共交通系统的主体,在缓解交通出行压力、促进城市发展中具有十分重要的作用。科学精准的测算列车实时客流,对改善城市轨道交通客运服务水平,发展低碳、环保的绿色出行模式具有重大意义。为此,提出基于卷积神经网络的城市轨道交通列车实时客流检测算法,实现列车监控视频视野内乘客数量的实时检测。基于成都地铁1号线车载监控视频建立列车客流图像数据集,以剔除全连接层的VGG-16网络作为算法基础框架,提取输入图像的边缘、角点等浅层细节特征;将多尺度卷积层和膨胀卷积结构融合构建乘客多尺度特征感知模块,在保持图像分辨率的同时,通过不同的感受野增强尺度上下文信息的提取性能,提升网络对乘客尺度变化的鲁棒性;构建特征融合网络将网络浅层提取的细节特征与上采样后的深层语义特征嵌入融合,提升小尺度乘客目标的计数精度和特征图的信息丰富度。实验结果表明：所提算法在城市轨道交通列车场景下的检测精度得到显著提升,平均绝对误差、均方误差以及平均绝对百分比误差指标分别达到了1.1%,1.8%和5.4%,同时单张图像检测速率低于60 ms,能够满足列车客流检测的实时性需求;且算法在2个标准人群数据集Shanghai...     

基于局部图像纹理计算的隧道裂缝视觉检测技术

地铁隧道裂缝病害的自动检测技术是一个重要研究方向。针对地铁隧道复杂场景和弱光环境下,全局图像检测精度低的问题,提出分块图像局部纹理处理算法,将大视场裂缝图像进行网格化处理,在分块区域内完成预处理与纹理提取,基于图像细化与骨架提取算法,提出裂缝和虚假裂缝纹理的差异性计算模型,可有效提高真实裂缝图像的检测精度,滤除虚假裂缝的干扰。针对硬件系统,提出多目高速线阵相机的图像采集方案,研制裂缝图像采集系统样机,可安装于轨道小车上进行图像连续采集。利用研制的图像采集处理设备,可以自动采集和检测隧道裂缝图像,对于纹理简单的普通裂缝图像样本,裂缝的识别率达到0.96;对于地铁隧道裂缝图像样本,裂缝的识别率达到0.84,验证了硬件系统和软件算法的有效性与可行性。     

基于可变形部件模板的扣件状态识别

针对在铁路钢轨扣件状态自动识别中断裂扣件与正常扣件难以区分的问题,基于DPM算法思路提出DPTM算法用于扣件状态自动检测。为屏蔽扣件图像中背景区域的干扰,根据扣件几何形状设计相应的掩膜模板,并对扣件进行分块得到扣件部件模型。采用弹簧模型度量部件之间相对位置关系、余弦相似性度量HOG特征点之间的相似度,加权融合特征点相似度得到部件相似度,根据各个部件重要性的权重系数组合建立扣件状态分类准则。理论分析和实验结果表明,DPTM算法能够较好地区分正常、断裂和丢失三种状态的扣件,并在优先保证较低漏检率的同时取得较低的误检率。     

基于生成对抗网络的隧道裂缝自动分割算法研究

传统裂缝识别技术需要大量带标签的裂缝图像作为试验数据集，为减少裂缝图像标注的工作量，利用生成对抗网络图像分割的特性与优势，构建一种Crack-GAN网络用于隧道裂缝自动分割。Crack-GAN网络结构集成2个模块：融合残差化U-Net网络的生成器网络和利用全卷积网络生成置信图的判别器网络。首先U-Net模块使用密集的残差模块来生成保留细粒度信息的深层表示，然后判别器来判断输入真假，并以端到端的方式训练，再经过生成对抗模型之间不断迭代，使生成模型达到分割裂缝的最优状态。试验表明，Crack-GAN网络在自制铁路隧道裂缝数据集上的像素准确性为98.35%,精准率为71.23%,召回率为80.78%,F1得分为75.98%,单次检测时间80 ms,综合表现优于U-Net和CrackSegNet。     

隧道表面图像多目标智能识别算法研究

隧道表面病害已经成为轨道交通基础设施巡检的重要任务之一,人工巡检方法耗时长、强度高,需要智能化、自动化的目标检测与病害识别算法研究。提出一种隧道多目标分类方法和智能识别理论模型,对采集的隧道表面图像进行精细化标注并建立数据集,采用基于语义分割的理论模型对隧道图像目标进行智能分类识别。考虑隧道纹理的特殊性,本研究对算法中模型结构进行改进优化,实现隧道多种目标的智能化检测。试验中,通过测试集和隧道正线图像进行对比试验,其中隧道典型病害裂缝的检测率为94.2%,渗漏水的检测率为96.9%,验证了模型和算法的有效性。     

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展，人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测，可提高检查驾驶员手势执行情况的效率，保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题，提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块，加强重要特征信息，抑制次要特征信息；其次在颈部网络中引入BiFPN模块，在不过多增加计算量的情况下，更好地实现多尺度特征融合；最后通过改进的K-means聚类算法生成适合本文数据集的先验框，更好地提升预测框精准度，加强模型的识别性能。实验结果表明，本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，对于实现工程部署有重要意义。     

基于改进算法YOLOv5+的混凝土轨枕裂纹检测

基于既有研究成果在对混凝土轨枕裂纹检测效率不足的基础上,提出一种改进算法YOLOv5+,主要以YOLOv5网络模型为基础,对混凝土轨枕裂纹进行高效检测。首先,采用分治标签的策略来增大裂纹在标签中的实际占比,从而解决混凝土轨枕裂纹尺度变化大的问题,使网络更利于提取有效特征;其次,将YOLOv5网络结构中SPP模块的最大池化层改为平均池化层,减少裂纹漏检的现象;同时,在YOLOv5骨干网络中嵌入SE注意力模块(Squeeze and Excitation, SE)提高对细小裂纹的检测能力;最后,结合新的检测尺度与特征融合网络,降低微小裂纹的漏检现象。实验结果表明,以YOLOv5网络模型为基础的改进算法YOLOv5+,除了召回率Recall变化不大外,精确率Precision提高6.5%,平均精度均值mAP提升8%,帧率FPS也有所提升,能够满足实时性的检测需求。