基于SVR模型的自适应区域池化物体检测方法

针对物体检测容易受外形、视觉等可变性影响的问题,提出一种利用支持向量回归(SVR)模型的区域池化检测方法,即自适应区域池化方法,该方法适用于分割区域,能自动发现不同的实例和图像块。生成区域方案,每种样本的方案都由不同颜色的边界框表示;利用区域池化法提取特征,解析区域结构;分类数据采用非极大值抑制法得到检测结果。实验结果验证了提出方法的有效性,与其它同类方法相比,该方法对物体检测的性能明显提升,其中平均召回率达到了90.8%,加入CNN特征,性能提升幅度更大。

基于FCN模型和选择性搜索的目标检测方法

针对现有的识别算法在复杂环境下鲁棒性较差、准确率较低、检测速率较低慢问题,构建了一种基于全卷积神经网络(FCN)和选择性搜索的检测算法。首先,运用已经训练好的FCN模型快速对前车区域进行语义分割,实现前方目标位置的粗定位;接着,通过选择性搜索算法提取多尺度的候选区域,并将候选区域放入卷积神经网络分类模型进行分类得到各个候选区域的置信度;最后,通过非极大值抑制法提取最优区域即得到目标所在的精确位置。在LISA数据库的测试结果表明,相对于R-CNN算法,所提出的算法的准确率提高了5.9%,召回率提高了7.1%,平均单张识别时间减少了0.51秒/幅。

基于冲击回波声频法和迁移学习的铁路隧道衬砌质量检测自动判识技术

选取240张赣州—深圳高速铁路8标段隧道衬砌缺陷图片,将冲击声频回波法和迁移学习方法相结合,从源模型的选取、自定义数据集及标注、预定义参数、训练算法、模型精度分析、缺陷类型及范围的自动标识6个方面对衬砌缺陷识别过程进行了详细介绍,并对赣深铁路隧道拱顶衬砌质量检测结果进行了识别。结果表明,运用该自动判识技术可以准确识别缺陷类型及位置,模型的泛化能力得到检验,是一种高效的混凝土无损检测技术。