排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
衬砌裂缝严重影响了铁路隧道的安全运营,采用机器视觉技术快速获取衬砌图片并进行裂缝识别是国内外的研究热点。衬砌裂缝图像信号具有复杂的特性,存在水渍、污染及其他结构缝等引起的噪声,加之光照不均匀、分布不规律等原因,使得传统的图像处理方法难以快速、准确地检测衬砌裂缝。本文提出一种基于深度神经网络的隧道衬砌裂缝识别算法,有效解决了裂缝识别速度慢、精度低等问题。分类结果精度达到94%,识别速度在GPU(Pascal Titan X)上每张图片仅需0.05 s;分割网络性能均交并比可达到65%,能够准确分割出裂缝形状。该算法具有很好的工程应用价值。 相似文献
2.
3.
针对铁路声屏障外观状态检查效率低、检测精度差的现状,为满足自动化、智能化检测需求,开展声屏障表观病害智能检测技术研究。通过调研分析声屏障检测技术现状,提出基于图像的铁路声屏障表观病害智能检测技术方案。重点对声屏障外观成像、主从协同控制、在线识别等关键技术的实现方式进行研究,同时对部分功能进行了试验验证;基于钢轨探伤车进行图像采集,检测速度80 km/h,建立声屏障病害典型样本数据集,验证了在线识别的可行性和有效性。结果表明,铁路声屏障表观病害智能检测技术可大幅提升病害检测的自动化和智能化水平。 相似文献
4.
5.
为了提升铁路货检作业效率和质量,针对目前铁路货检工作主要依赖人工对高清图片进行查看,存在强度大、容易漏判等问题,在统计分析既有货检问题的种类、与车型的关系及所占比例基础上,采用深度学习技术,基于Faster-RCNN网络架构建立货检病害智能识别模型。经样本图片测试集测试表明,所提出的货检智能识别模型对于车顶异物、车门开启、防尘盖开启等7类问题图片的检出率接近80%,准确性超过90%,每张图片的检测速度约0.9 s,可满足现场实时、智能检测需求,从而为铁路货检向智能化发展提供有力的工具。 相似文献
6.
梳理了国内外衬砌表观状态检测技术发展现状,对现场踏勘检测和衬砌表观检测系统检测出的衬砌裂缝检出率、里程误差、长度误差等关键参数进行了对比分析。结果表明:衬砌表观检测系统对宽度0.3 mm及以下的裂缝检出率为54.3%,对宽度0.3 mm以上的裂缝检出率为92.6%;纵向裂缝长度的离散误差为±0.7 m,主要由里程误差所致;环向裂缝长度的离散误差在-0.4~1.0 m,主要由图像拼接冗余所致。与现场踏勘检测结果相比,表观检测系统识别的环向裂缝长度存在27%的系统性放大现象,需进一步研究基于关键特征点匹配技术的图像拼接方法,降低拼接冗余,以提高环向裂缝长度的识别精度。 相似文献
7.
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。 相似文献
8.
为提高无砟道床表观伤损检测系统的检测精度和准确率,提出了一种多尺度多任务的伤损智能识别算法。采用特征图L1范数准则对ResNet网络的冗余卷积核进行压缩剪枝,以降低模型计算量和存储空间。通过采集的图像构建样本库,利用像素级语义分割算法,以优化后的ResNet网络为编码网络,以PPM网络为解码网络,搭建编码-解码深度学习架构模型,并通过测试集试验和现场试验对模型进行验证。结果表明,该模型对2000张测试图像的识别准确率为95.6%,无砟道床表观伤损现场检出率为96.4%,检测效果良好。该模型可以实现对无砟道床表观伤损的自动化检测、伤损趋势分析和状态评定。 相似文献
9.
10.