《表3 不同改进网络的钢轨踏面块状伤损检测结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进Faster R-CNN的钢轨踏面块状伤损检测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

单位：%

本实验采用带动量的随机梯度下降法（Stochastic Gradient Descent，SGD）对网络进行训练，初始学习率为0.01，学习率衰减速率为0.000 1，动量为0.7，batch size设置为8，训练循环最大次数位10 000，输入伤损图像大小为200×200。取600张测试样本，基于传统的Faster R-CNN和改进Faster R-CNN分别对钢轨踏面块状伤损进行网络训练，其中训练集损失变化如图9所示可以看出，改进的Faster R-CNN相较于Faster R-CNN在训练过程中收敛较快，且损失值较低。同时得出chip＿fall与scallop两种类型的踏面块状伤损的检测结果如图10所示，其中（a）组为输入的块状伤损图像，（b）组为基于YOLOv3网络的块状伤损检测效果，（c）组为基于R-FCN网络的块状伤损检测效果，（d）组为基于FPN网络的块状伤损检测效果，（e）组为基于Faster R-CNN网络检测效果，（f）组为基于FPN+Faster R-CNN网络的块状伤损检测效果，（g）组为基于GIo U+FPN+Faster R-CNN网络的块状伤损检测效果，（h）组为基于GA+GIo U+FPN+Faster R-CNN网络的块状伤损检测效果。从图10中可以看出本文所提的基于改进Faster R-CNN的钢轨踏面块状伤损方法较其他组的检测效果而言，对小尺度伤损的检测精确度更高。为进一步分析模型的泛化性能，以m AP、AP50、AP75、APs、APm、APl等指标对不同改进网络测试结果进行统计，结果如表3所示，两类块状伤损的AP值如表4所示。