摘要：针对钢轨表面灰度差异小,缺陷区域边界难提取,传统图像处理方法耗时长,缺陷识别准确率低等问题,设计一种改进的faster r-cnn的钢轨表面缺陷检测方法。通过对采集到的钢轨表面图像进行预处理以减小后续运算量,采用基于灰度垂直投影法完成轨面区域的提取;为了提高faster r-cnn网络对钢轨表面缺陷检测的准确率,对faster r-cnn网络一些关键部分加以改进,包括卷积核的选择和基于级联的特征融合策略;设计网络训练策略,建立样本图像库和干扰图像库,对改进后模型和两种传统模型进行对比实验。对比结果表明,本文方法缺陷检测精度和检测时间皆优于其他两种方法。改进后模型比传统模型中缺陷检测准确率提高1.85%,平均检测时间快0.51 s。采用该方法对于检测钢轨表面缺陷实际可行。

摘要：为提高小尺度行人检测的准确性,提出一种基于改进faster r-cnn的目标检测方法。通过引入基于双线性插值的对齐池化层,避免感兴趣区域池化过程中两次量化操作导致的位置偏差,同时设计基于级联的多层特征融合策略,将具有丰富细节信息的浅层特征图和具有抽象语义信息的深层特征图进行通道叠加,从而解决小尺度行人在深层特征图中特征信息缺乏的问题。在INrIA和PASCAL VOC2012数据集上的实验结果表明,在小尺度行人检测效率相同的情况下,该方法相比基于faster r-cnn的检测方法平均精确率均值分别提高了17.58%和23.78%。

摘要：为提高城市道路沥青路面病害检测精度,提出一种基于深度学习的智能检测方法。方法以faster r-cnn网络为基础检测模型,通过对采用拟合值填充方式优化faster r-cnn网络卷积层,提升网络对目标检测的准确性,实现了faster r-cnn网络的改进;然后利用改进后的faster r-cnn网络对城市道路沥青路面病害进行检测,实现了沥青路面病害的智能检测。仿真结果表明,所提的改进faster r-cnn网络可有效检测城市道路沥青路面坑槽、裂缝病害,且具有较高的检测精度,平均精确度的均值达到为90.26%。相较于标准faster r-cnn网络和resNet、U-Net目标检测算法,在平均精确度的均值和单张图像的检测速度指标上具有明显优势,可用于实际城市道路沥青路面病害检测。