期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于YOLOv8的铁路隧道渗漏水智能检测
1
作者
邓琳
朱杰
+1 位作者
黄超
闫龙宾
《交通科技》
2024年第3期110-114,125,共6页
铁路隧道渗漏水会影响隧道的结构稳定性和运营安全,渗漏水病害的自动化检测亟待解决。传统的人工巡检方法自动化程度较低,检测效率低下,容易出现错检漏检,无法满足大规模隧道的快速检测需求。针对这一问题,提出了一种基于YOLOv8网络的...
铁路隧道渗漏水会影响隧道的结构稳定性和运营安全,渗漏水病害的自动化检测亟待解决。传统的人工巡检方法自动化程度较低,检测效率低下,容易出现错检漏检,无法满足大规模隧道的快速检测需求。针对这一问题,提出了一种基于YOLOv8网络的铁路隧道渗漏水智能检测方法,并在自建的铁路隧道渗漏水数据集中进行模型训练和参数调优。实验结果表明,在不同版本的模型实验中,YOLOv8-n网络的综合性能最好。在不同模型对比实验中,YOLOv8模型的F_(1)分数、AP值分别为81.28%,81.38%,相比于YOLOv7、YOLOv5、SSD模型。分别提高了6.85%,6.89%,9.40%、8.19%,12.19%、10.57%。综合分析可得,YOLOv8模型综合性能最优秀,适用于铁路隧道工程的渗漏水检测任务。
展开更多
关键词
铁路隧道
隧道渗漏水
深度学习
目标检测
下载PDF
职称材料
基于YOLOX-G算法的隧道裂缝实时检测
被引量:
7
2
作者
周中
闫龙宾
+1 位作者
张俊杰
杨豪
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2023年第7期2751-2762,共12页
裂缝是隧道衬砌最常见的病害之一,影响隧道的结构耐久性和运营安全性。由于现役隧道日常检修任务艰巨,因此对隧道裂缝的高效智能化检测至关重要。针对隧道衬砌裂缝传统检测方法检测精度低、检测速度慢等问题,基于YOLOX算法提出一种新的Y...
裂缝是隧道衬砌最常见的病害之一,影响隧道的结构耐久性和运营安全性。由于现役隧道日常检修任务艰巨,因此对隧道裂缝的高效智能化检测至关重要。针对隧道衬砌裂缝传统检测方法检测精度低、检测速度慢等问题,基于YOLOX算法提出一种新的YOLOX-G隧道衬砌裂缝图像检测算法。采用Ghostnet替换YOLOX的CSPDarknet主干网络,在加强特征提取网络中利用Ghost卷积代替原卷积块,用GIOU损失函数代替IOU损失函数。将YOLOX-G算法与YOLOX,YOLOv5,YOLOv3,SSD和Faster RCNN 5种算法在构建的隧道裂缝图像数据集上进行实验对比,结果显示:YOLOX-G算法的F1分数为85.29%,相较于其他5种算法分别提高了4.26%,6.49%,7.29%,17.23%和4.53%;AP值为90.14%,相较于其他5种算法分别提高了7.28%,10.93%,11.53%,17.65%和10.38%。此外,YOLOX-G算法模型数据大小为38.1 M,相对于YOLOX算法模型压缩了81.59%;检测单张图片的时间为15.12 ms,FPS为66.14帧/s,相较于其他5种算法分别提高了18.89帧/s,13.92帧/s,21.41帧/s,25.72帧/s和49.69帧/s。因此,提出的YOLOX-G算法满足移动设备对模型大小的要求及对帧率的需求,可以实现对隧道衬砌裂缝高速度、高精度、实时动态性检测。
展开更多
关键词
隧道工程
裂缝检测
深度学习
神经网络
下载PDF
职称材料
基于深度学习的公路隧道表观病害智能识别研究现状与展望
被引量:
9
3
作者
周中
闫龙宾
+1 位作者
张俊杰
龚琛杰
《土木工程学报》
EI
CSCD
北大核心
2022年第S02期38-48,共11页
公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,...
公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。
展开更多
关键词
公路隧道
隧道病害
深度学习
神经网络
病害检测
下载PDF
职称材料
题名
基于YOLOv8的铁路隧道渗漏水智能检测
1
作者
邓琳
朱杰
黄超
闫龙宾
机构
中国水利水电第八工程局有限公司
中南大学土木工程学院
出处
《交通科技》
2024年第3期110-114,125,共6页
文摘
铁路隧道渗漏水会影响隧道的结构稳定性和运营安全,渗漏水病害的自动化检测亟待解决。传统的人工巡检方法自动化程度较低,检测效率低下,容易出现错检漏检,无法满足大规模隧道的快速检测需求。针对这一问题,提出了一种基于YOLOv8网络的铁路隧道渗漏水智能检测方法,并在自建的铁路隧道渗漏水数据集中进行模型训练和参数调优。实验结果表明,在不同版本的模型实验中,YOLOv8-n网络的综合性能最好。在不同模型对比实验中,YOLOv8模型的F_(1)分数、AP值分别为81.28%,81.38%,相比于YOLOv7、YOLOv5、SSD模型。分别提高了6.85%,6.89%,9.40%、8.19%,12.19%、10.57%。综合分析可得,YOLOv8模型综合性能最优秀,适用于铁路隧道工程的渗漏水检测任务。
关键词
铁路隧道
隧道渗漏水
深度学习
目标检测
Keywords
railway tunnel
tunnel water leakage
deep learning
target detection
分类号
U456.3 [建筑科学—桥梁与隧道工程]
下载PDF
职称材料
题名
基于YOLOX-G算法的隧道裂缝实时检测
被引量:
7
2
作者
周中
闫龙宾
张俊杰
杨豪
机构
中南大学土木工程学院
长沙理工大学交通运输工程学院
长沙理工大学公路养护技术国家工程研究中心
出处
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2023年第7期2751-2762,共12页
基金
国家自然科学基金资助项目(50908234)
湖南省自然科学基金资助项目(2020JJ4743)
中南大学研究生科研创新项目(1053320213484)。
文摘
裂缝是隧道衬砌最常见的病害之一,影响隧道的结构耐久性和运营安全性。由于现役隧道日常检修任务艰巨,因此对隧道裂缝的高效智能化检测至关重要。针对隧道衬砌裂缝传统检测方法检测精度低、检测速度慢等问题,基于YOLOX算法提出一种新的YOLOX-G隧道衬砌裂缝图像检测算法。采用Ghostnet替换YOLOX的CSPDarknet主干网络,在加强特征提取网络中利用Ghost卷积代替原卷积块,用GIOU损失函数代替IOU损失函数。将YOLOX-G算法与YOLOX,YOLOv5,YOLOv3,SSD和Faster RCNN 5种算法在构建的隧道裂缝图像数据集上进行实验对比,结果显示:YOLOX-G算法的F1分数为85.29%,相较于其他5种算法分别提高了4.26%,6.49%,7.29%,17.23%和4.53%;AP值为90.14%,相较于其他5种算法分别提高了7.28%,10.93%,11.53%,17.65%和10.38%。此外,YOLOX-G算法模型数据大小为38.1 M,相对于YOLOX算法模型压缩了81.59%;检测单张图片的时间为15.12 ms,FPS为66.14帧/s,相较于其他5种算法分别提高了18.89帧/s,13.92帧/s,21.41帧/s,25.72帧/s和49.69帧/s。因此,提出的YOLOX-G算法满足移动设备对模型大小的要求及对帧率的需求,可以实现对隧道衬砌裂缝高速度、高精度、实时动态性检测。
关键词
隧道工程
裂缝检测
深度学习
神经网络
Keywords
tunnel engineering
crack detection
deep learning
neural network
分类号
U45 [建筑科学—桥梁与隧道工程]
下载PDF
职称材料
题名
基于深度学习的公路隧道表观病害智能识别研究现状与展望
被引量:
9
3
作者
周中
闫龙宾
张俊杰
龚琛杰
机构
中南大学
湖南铁院土木工程检测有限公司
出处
《土木工程学报》
EI
CSCD
北大核心
2022年第S02期38-48,共11页
基金
国家自然科学基金(50908234)
湖南省自然科学基金(2020JJ4743)
+1 种基金
中南大学研究生科研创新项目(1053320213484)
湖南铁院土木工程检测有限公司开放课题(HNTY2021K06)
文摘
公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。
关键词
公路隧道
隧道病害
深度学习
神经网络
病害检测
Keywords
highway tunnel
tunnel disease
deep learning
neural network
disease detection
分类号
U457.2 [建筑科学—桥梁与隧道工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于YOLOv8的铁路隧道渗漏水智能检测
邓琳
朱杰
黄超
闫龙宾
《交通科技》
2024
0
下载PDF
职称材料
2
基于YOLOX-G算法的隧道裂缝实时检测
周中
闫龙宾
张俊杰
杨豪
《铁道科学与工程学报》
EI
CAS
CSCD
北大核心
2023
7
下载PDF
职称材料
3
基于深度学习的公路隧道表观病害智能识别研究现状与展望
周中
闫龙宾
张俊杰
龚琛杰
《土木工程学报》
EI
CSCD
北大核心
2022
9
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部