扣件作为轨道线路的重要部件,其缺陷状态复杂多变,当前在实际运维中主要采用人工巡检的方式检测,该方式效率低、耗时长,检测结果依赖人员的熟练程度。针对以上问题,提出一种基于改进EfficientDet的扣件状态检测方法。首先,对图像数据集...扣件作为轨道线路的重要部件,其缺陷状态复杂多变,当前在实际运维中主要采用人工巡检的方式检测,该方式效率低、耗时长,检测结果依赖人员的熟练程度。针对以上问题,提出一种基于改进EfficientDet的扣件状态检测方法。首先,对图像数据集进行标注与数据增强;然后利用信道修剪算法对EfficientDet网络进行优化、训练与识别;最后进行实际轨道线路图像采集实验,并与YOLOv3(you only look once v3)和Faster R-CNN(faster region-based convolutional neural network)进行对比,选择合适的评价模型和标准进行结果分析。结果表明:所提出的改进方法对铁路缺陷扣件的检测准确率达到96.82%,检测效率和检测精度较其他2种方法有明显提高,且参数量是YOLOv3的1/5,表明其在目标检测应用中具有很高的潜力。展开更多
文摘扣件作为轨道线路的重要部件,其缺陷状态复杂多变,当前在实际运维中主要采用人工巡检的方式检测,该方式效率低、耗时长,检测结果依赖人员的熟练程度。针对以上问题,提出一种基于改进EfficientDet的扣件状态检测方法。首先,对图像数据集进行标注与数据增强;然后利用信道修剪算法对EfficientDet网络进行优化、训练与识别;最后进行实际轨道线路图像采集实验,并与YOLOv3(you only look once v3)和Faster R-CNN(faster region-based convolutional neural network)进行对比,选择合适的评价模型和标准进行结果分析。结果表明:所提出的改进方法对铁路缺陷扣件的检测准确率达到96.82%,检测效率和检测精度较其他2种方法有明显提高,且参数量是YOLOv3的1/5,表明其在目标检测应用中具有很高的潜力。
