《表3 不同改进网络的钢轨踏面块状伤损检测结果对比》
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》
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。
图表编号 | XD00201831100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.10 |
作者 | 罗晖、贾晨、芦春雨、李健 |
绘制单位 | 华东交通大学信息工程学院、华东交通大学信息工程学院、华东交通大学信息工程学院、华东交通大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |