文摘

这项工作提出了一种新的方法,卧铺裂缝识别基于级联卷积神经网络(CNN)解决效率低的问题,在传统的检测精度不足的卧铺裂缝识别方法。该算法主要包括改善你只看一次版本3 (YOLOv3)和裂缝识别网络,在裂缝识别网络包括两个模块,裂缝encoder-decoder网络(CEDNet)和裂缝剩余细化网络(CRRNet)。改进YOLOv3网络用于识别和定位枕木和裂缝段道床上的睡眠之后提取利用灰色预测方法。卧铺是输入为裂纹特征提取CEDNet预测粗裂缝显著地图。预测图输入到CRRNet改善其边缘信息和局部区域达到优化。裂缝识别模型的准确性提高了使用混合损失函数的二叉(公元前),结构相似度指数测量(SSIM),十字路口在联盟(借据)。结果表明,该方法能够准确地检测裂纹图像的卧铺。在目标检测,该方法与YOLOv3直接定位卧铺裂缝。它的准确性为96.3%,召回率为91.2%,平均91.5%的平均精度(mAP),和76.6帧每秒(FPS) / s。在裂纹提取部分,F-weighted是0.831,平均绝对误差(MAE)是0.0157,曲线下面积(AUC)是0.9453。 The proposed method has better recognition, higher efficiency, and robustness compared with the other network models.

1。介绍

中国铁路总里程将超过128000公里,到2020年底,促使研究人员提高维修技术对铁路基础设施(1]。在图1,卧铺是用来支持铁路和火车带来的巨大影响转移到路基。因此,睡眠者需要有一定程度的灵活性,可以稍微变形来缓解压力。然而,这将破坏内产生的裂缝和其它损坏卧铺的完整性和减少提供的支持力量卧铺火车上面,当荷载弯矩大于开裂强度。这种情况造成了安全隐患在高速列车通过。近年来,无损检测技术,如文献[2),已广泛应用于跟踪设施的维护。这种卧铺开裂的方法可以快速有效防止事故的发生。

目前,卧铺裂纹检测的主要方法已经从手工识别一系列的物理检测手段,如超声波、涡流检测和射线检测。尽管这种方法已经被开发出来,它仍然使用方法的局限性和可怜的裂纹检测的常见问题。裂纹检测的效率和精度都增强了计算机视觉技术的发展。应用于这一领域的主要方法如下:提供基于图像处理方法(3),基于机器学习方法(4),和深卷积神经网络(DCNN)的方法(5]。由DCNNs方法分为基于图像分类方法(5),对象检测(6),进行像素级分割(7),根据裂纹检测处理问题的方式。网络用来检测裂缝在睡眠者在这个级联是基于后者两种类型的方法。

主要基于对象检测裂纹检测方法包括更快R-CNN [8),单发multibox检测器(SSD) [9,你只看一次(YOLO)的意思10)来确定裂纹的位置输入图像和定位边界框。Cha et al。11)提出了一种混凝土裂缝检测方法基于R-CNN更快。网络是提高快速检测和实时定位多种类型的裂缝,允许更精确的检测结果。Mandal et al。12)提出了一个自动检测方法基于DCNNs道路混凝土裂缝。然而,实现了检测精度低。李等人。13)提出了一种改进的YOLO网络意思提高轨道板裂缝的检测精度。然而,方法是功能少由于单一轨道板的背景信息。包等。14)提出了一个三联体图形推理网络的金属表面缺陷样本不足的问题。

裂纹检测方法的基础上进行像素级分割主要包括完全卷积网络(FCNs) [15],U-Net [16],Seg-Net [17]。标签可以分配给裂缝像素点来确定裂缝的存在和获得重要特性,如位置、大小以及形状的裂缝。程等。18)提出了一个自动U-Net-based道路裂缝检测方法和测试在裂纹数据集获得进行像素级分割精度高。伊斯兰教和金(19)提出了一个完整的CNN-based混凝土裂缝检测方法。这个网络包括编码器和译码器模式是测试和展品良好的检测结果公开的数据集。粪(20.)设计一个完整的CNN与视觉几何Group-16 (VGG-16)基于编码框架。这个网络进一步提高裂纹检测的准确性。文献[21相比3 U-Net不同深度的算法自动路面裂缝检测系统。目的是验证模型架构与更大的深度是否必然导致更好的检测精度。实验证明,选择一个网络体系结构与正确的深度可以保证检测精度,提高检测速度。

虽然已经取得了很大的进步领域的基于DCNNs裂纹检测,如何获得更详细的裂缝特性仍需探索。卧铺的裂缝检测、裂缝很小,类似于轨枕的背景,边界不清楚,区域信息是不完整的。本文提出了一种新的级联网络裂缝检测。YOLOv3作为一个主流框架的对象检测。YOLO系列意思是YOLOv3的基础上提高。鉴于YOLOv3使用剩余网络特征提取部分,三个功能层不同深度同时提取,和一堆缝合方法是用于获得预测结果(22]。上述方法可以用来检测不同大小的裂缝。然而,裂缝检测效果不满意的复杂背景铁路枕木。因此,我们加入挤压和激励(SE)模块结束时YOLOv3骨干网改善裂纹区域提取的准确性。需要进一步的定量参数检测裂缝完成高精度的裂缝识别和提供更多的科学检测数据。裂纹encoder-decoder网络(CEDNet)和裂纹残余细化网络(CRRNet)是用于提取和优化铁路轨枕裂缝的特点。浅裂纹图像信息可以传递到相应的解码过程特征提取后输入铁路CEDNet裂缝的编码的一部分。因此,底层细节特征与高级复杂的语义融合,提高网络特征提取性能。CRRNet添加,因为粗显著地图上一步获得的缺陷,如裂纹边界模糊和缺失的重要地区。CRRNet可以优化通过学习粗凸起之间的残差图和地面真理。

总结了本文的主要贡献如下:(1)提出了一种基于DCNN二级级联网络。这个网络融合CEDNet CRRNet,可以扮演裂纹特征提取和优化的角色在一个步骤。其F-weighted是0.831,平均绝对误差(MAE)是0.0157,曲线下面积(AUC)是0.9453。(2)提出一种改进的YOLOv3网络本地化裂缝,和注意力机制,SE模块,添加的骨干网络。平均平均精度(mAP)与YOLOv3相比提高了6.9%。(3)损失函数的优化效果二叉叉(公元前),十字路口在联盟(借据)和结构相似度指数测量(SSIM)在裂缝识别叠加,提出一种新的混合裂纹识别损失函数。特别是,我们的改善方法68.4%,74.8%,84.1%,99.0% , , ,和 ,分别。

本文的其余部分组织如下:部分2介绍了方法的概述,包括总体步骤和每个步骤的具体理论。部分3显示了一些我们的方法的实验结果并与其他方法进行对比。部分4给出了结论和展望。

2。方法概述

铁路枕木获得图像的裂缝,压载水的边缘可能会干扰铁路轨枕裂缝的识别,因为压载和混凝土铁路轨枕的成像是相似的。鉴于铁路轨枕的边缘有明显的特征,一个严格的大小调节,不同于压载的灰度,铁路轨枕区域可以第一个分段。铁路枕木上的裂缝可以位于使用网络进行了分析鉴定。提出的裂纹检测算法分为两个部分:裂纹定位和裂缝识别。裂缝识别结合了特征提取部分网络和一个边界优化网络。整体方法论的流图所示2。在第一步中,我们选择的灰色投影方法首先提取睡眠区,因为大量的压舱物的背景影响裂纹检测的卧铺。在第二步中,修改YOLOv3用于定位和段裂缝的基础上提取的铁路枕木。在第三个步骤中,需要进一步的定量参数检测裂缝完成高精度的裂缝识别和提供更多的科学检测数据;因此,CEDNet用于特征提取。边界优化网络的目的是为进一步优化,因为提取裂缝部分边界和区域信息不完整:(1)卧铺的位置提取利用灰度投影法(23)结合卧铺的经验值像素,然后,SE (24)和空间金字塔池(SPP) [25)的末尾添加YOLOv3骨干网定位卧铺裂缝(2)CEDNet,粗显著特征提取裂缝网络,用于获取更详细的显著信息融合低层特征和高层特征的裂纹图像通过网络编解码器的结构模式(3)CRRNet,裂纹边界优化网络,用于学习原始之间的残差和地面真理的地图优化目的的裂纹层融合网络的输出特性

2.1。裂纹位置模块

尺寸严格定义,他们不同于压载灰度因为卧铺边缘特征是显而易见的。灰色投影法结合实证的卧铺像素值可以用来定位潜伏的位置。灰色投影方法具有更好的结果对象边缘检测复杂背景,主要依赖的高峰和低谷灰度投影曲线来确定物体边缘的坐标位置。假设图像表示为 ,灰色的投影功能x方向是 ,图像中的像素点的坐标 ,和灰色的投影函数的值在水平方向上

水平方向的边缘坐标的卧铺可以依法获得灰色投影法。卧铺的边缘的像素宽度相对固定在路基捕获图像。图3(一个)显示的原始图纸有压载的路基。硅谷的水平投影图3(b)描述了轨枕之间的接触边缘和压载水。图3(c)提出了分割结果。

预测结果得到的叠加和拼接后同时提取三个功能层不同深度因为YOLOv3使用剩余网络特征提取部分。因此,这个网络可以用来检测不同大小的裂缝。然而,在复杂背景的卧铺,裂纹检测的效果很差。受文献[24- - - - - -26],SE模块抑制背景和其他声音的干扰,和SPP模块可以提高操作效率,减轻网络的大小要求输入图像同时确保图像没有变形。端到端semisupervised对象检测方法,对象检测头的统一意识的关注角度来看,和复合骨干网Version2 (CBNetV2),消除了pretraining过程,可以避免更复杂的多级培训方法在文献[27- - - - - -29日]。然而,算法在上面的文件仍然有一些缺点,如检测速度慢、网络资源的消耗大,准确率和召回率低、检测精度。因此,我们选择添加SE和SPP模块的骨干网络,使模型简单的训练过程,提高裂缝区域提取的准确性,减少额外的开销。设计一种改进的算法基于YOLOv3本文及其总体结构如图4。

SE模块属于一个比较经典的算法的注意机制。裂纹检测的准确性可以显著提高设计特殊的参数能够消除无效的信息提取YOLOv3网络(25]。这个模块压缩卧铺裂纹图像的大小111024年全球平均池层。激活是由两个模块完全连接层和激活功能。裂缝特征通道是加权一致。设计剩余模块确保有效的培训,这样网络提取更准确的裂缝信息特性和抑制干扰睡眠的其他噪声图像。

当执行预测的先验框架在三个尺度的裂纹图像,YOLOv3要求一致的裂纹特征图的大小特征提取主干网络的输出。图像的裁剪或形状变化往往会引起部分损失的信息,导致偏置裂纹检测的结果。因此,SPP模块添加SE后模块删除输入图像的固定大小的限制(26]。骨干网的卧铺裂纹图像输出该模块同时集中在一个卷积操作后三个尺度。融合和输入输出裂缝特性完全连接层。我们可以获得一个固定大小的裂缝图像输出,而不丢失任何大小和规模的原始信息的裂纹图像输入。

2.2。裂缝识别模块

定位和分割后的裂缝区域铁路枕木,本文提出了裂缝识别模块获取更详细的裂缝特征。模块使用一个裂纹边界细化网络优化预测显著地图因为提取的裂缝信息是不完整的。最后裂缝显著地图融合得到的裂纹边界优化网络特征提取的网络,和这个模块的总体框图如图5。

2.2.1。特征提取模块

骨干网络用于特征提取裂缝网络CEDNet粗显著特征提取,这是一个编码网络专注于裂纹区域和边界。网络的基础是建立在ResNet-34与34(残余网络参数层)(30.)使用一种编解码器。输入卧铺裂缝的特征提取后的编码部分,由此产生的图像特性进一步优化和处理的解码部分。浅裂纹图像的信息传递给相应的解码过程,使低级的详细特性的融合与高层语义复杂网络特征提取性能改善的方法。结构如图6。

网络的具体结构和操作步骤如下:(1)编码部分包含一个输入卷积层和六个阶段组成的基本残块,用修改输入卷积ResNet-34结构层和前四个回旋的阶段。这些改进主要包括使用33卷积滤波器卷积和内核的步幅1。池操作后删除输入卷积层保证特性映射在第一阶段具有相同空间分辨率图像作为输入。相比之下,第一个特性映射原ResNet只有四分之一的分辨率输入的地图。这种变化使得网络获取高分辨率特征图前层虽然减少了整体的接受域。因此,Conv5和Conv6,两个卷积阶段组成的512过滤器和三个基本残块,被添加到对象检测地区获得更大程度上原来的地图上,实现原始ResNet相同的接受域。(2)一座桥连接结构是用于进一步获得裂缝的全球信息。这座桥连接结构包含三个模块组成的Conv层,一批标准化(BN)层(31日),纠正线性单元(ReLU)激活函数(32),其中每个卷积层由512 33扩张旋转(33]。(3)解码部分的每一层的输入级联从之前的水平,汇集的输出编码部分相应的水平。乙状结肠函数添加到每一层在使用双线性up-sampling预测的值映射到[0,1]。七个特点映射生成模块,包含六个postcascade特性映射和最终的输出特性映射。然而,只有最后一个特性精度最高的地图可以被输入到CRRNet。地面实况图监督的监督在最后层每个解码阶段减少过度拟合,如整体嵌套边缘检测(34]。

2.2.2。边缘细化模块

对象检测和特征提取后,预测裂缝粗显著地图可以获得裂缝的卧铺。图7显示了原始裂缝的地图,地面真理地图,CEDNet提取后的粗显著图。

粗显著图,裂纹边界模糊,一些突出的地区失踪,背景是错误地标记为对象和不准确。因此,提取的裂纹的边界信息和局部细节特征映射是不完整的。因此,提取的特征映射输入CRRNet进行进一步的优化。

编解码器的网络构建形式和通过学习来实现优化原始之间的残差和地面真理地图,使用两个(即1 d过滤器。31和13的卷积层),而不是33的大小,可以提高网络优化性能,同时避免大量计算工作(35]。粗特征图的输入和输出堆放融合利用剩余模块传播身份映射分支促进培训,和迭代进行优化粗显著地图精度。乙状结肠函数映射下的边界优化地图作为网络的最终输出,如图8。

网络结构由三部分组成:编码器,译码器和桥连接。

编码部分由两个一维的四个阶段过滤器和最大池层采样下来,减少计算工作量。建立了卷积层的顺序是31在前面和13卷积。只有一个ReLU层前添加后,和十亿层和一层ReLU放置在后者的卷积层(36]。这种设计允许网络建立更深层次较低降解性能和在一定程度上减轻了梯度扩散网络训练的影响,平衡网络优化性能和计算效率。

解码部分由一个双线性插值单元up-sampling匹配特征维度和两个1 d过滤器相同编码的部分。1 d过滤器是建立在相反的顺序编码部分。这部分还包括四个阶段,编码模式反映在解码部分,13与3级联卷积在每个阶段1卷积编码的在相应阶段的一部分。

桥连接部分包含一个Conv层、十亿层,一个ReLU层。结构中的卷积层有64过滤器和回旋的大小为33所示。

2.3。混合损失函数

培训损失函数在本文中被定义为输出的总和的卓越特性映射: 在哪里的损失吗kth横向输出和是每个的重量损失。为8,这表明存在8监督卧铺裂纹检测网络的输出,其中7来自CRRNet CEDNet剩下的。一个混合损失函数混合三个公元前的损失,SSIM借据是用于获得一个高质量的检测对象和完整的信息: 在哪里 , ,和公元前表示(37],SSIM [38),和借据损失(39),分别。

公元前作为损失函数在这个网络监督培训对象检测与像素级精度,可以执行像素的像素。前景和背景像素点的像素点被认为是同等重要,忽视周边地区的标签。因此,可以聚集所有像素点。公元前主要用于二进制分类和分割任务。的定义如下: 在哪里 是地面真理的像素标签 和 的预测概率显著对象。

SSIM作为损失函数为监督对象检测当地域级别的评价图像质量。这个损失函数分配更高的重量的边界边界附近的损失高,即重点关注前景和背景边界。越来越重要的背景损失发挥作用的预测背景像素点接近地面的真相,让背景中的裂缝预测的边界清晰。SSIM捕获图像的结构信息;因此,它是集成到混合函数学习显著对象的结构信息。的定义如下: 在哪里 和 是两个对应的像素值的叶片的预测概率地图吗和二进制地面真理面具 ,分别 和 的平均值和标准偏差和 ,分别为,是他们的协方差。 和 为了避免除以零。

借据是最初用于计算两个集合之间的相似度和扩展到一个标准的方法来评估对象检测和分割的有效性。前台损失减少到零后结合三个损失函数,公元前可以用来维护所有像素点梯度,使借据更加关注前景预测前景的信心网络逐渐增加。在功能映射层面,下面的公式是用来监督培训对象检测和确保其在培训损失函数的可微性。 在哪里 是地面真理的像素标签 和 的预测概率显著对象。

3所示。实验和结果

3.1。数据集

本文中使用的图像采集装置主要由工业高速线矩阵相机和镜头使用符合设计要求。如图9的图像采集系统由工业计算机和LQ-H3X模块,其中LQ-H3X模块主要由激光光源和线阵相机。LQ-H3X模块的主要参数如表所示1。

3.2。实验装置

本文模型Win10操作系统下运行,与双CPU英特尔至强银4214 2.2 GHz和英伟达RTX 2080 ti 11 GB显卡。对象的三个网络定位、粗显著特征提取,边界优化构建和运行的集成开发环境下和PyCharm PyTorch框架。

3.3。Hyperparameter配置

卓越的检测部分,几个参数与更深的影响,如最初的学习速率,批量大小,调整时期,在模型训练。最初的学习速率密切相关的更新重量参数。如果是极其大,损失值的增加,网络模型是无限发散。如果是非常小的,损失价值减少极其缓慢,和参数更新非常缓慢。选择minibatch随机梯度下降法和适当的时代可以改善神经网络的运行速度,并让该模型收敛。重要参数的不同组合的实际情况是通过一些实验来提高模型的训练速度相比,结果如表所示2。

最初,批量大小和时代不变,损失价值减少越来越快的向下调整lr。的基础上确定的lr0.001,4批大小的选择首先按照设备性能的显卡和GPU内存大小。时代是选择向下调整的情况下从300年到100年铁路裂纹数据集没有数据的多样性。参数组合建立了0.046最低的损失。考虑到提高神经网络的运行速度,时期从200增加到300来达到相同的精度批大小调整到5时。以最快的速度损失值不会下降前在整个生产过程中。

总之,选择参数的最佳组合裂缝识别模块介绍如下:最初的学习速率,批量大小,和时代是设置为0.001,4,到200年,分别,结果如表所示3。

3.4。评价指标

包括选择的评价指标F测量、地图、F三(40,美41],AUC [42]。的F测量是一个综合指数评价最终获得裂纹的检测结果。地图是用作测量平均准确率识别准确性,值指示精度更高的利率。F三是从相应的计算公关价值。的重量公关值是样品在样品的总数的百分比。值越大,网络性能越强。美是用来测量错误的测试结果。AUC值表明高或低性能分类裂缝和铁路网络的背景。越接近1越好网络分类。

其计算公式如下: 在哪里表示精度,表示召回是0.3,类似于那些在文献[40]; , ,和每个的重量比率是精度。记得计算后,F三是得到方程(7)。和用来表示输入的长度和宽度裂缝图像处理的卧铺。

3.5。混合损失函数

这项工作比较和验证提出的混合损失函数的性能与单一和多种形式的损失函数结合网络模型。如图10预言的显著图,由该算法是最接近地面的真相。破解的完整性的一部分地区边界的清晰显示最好的情况与他人相比。

定量分析如表所示1。个人损失函数的对比实验后,更加有效和然后选择结合起来分析。表4显示,可以优化网络性能只有在所有三个损失函数同时使用。特别是,我们的改善方法68.4%,74.8%,84.1%,99.0% , , ,和 ,分别。

3.6。对象检测

在这个实验中,YOLOv3的比较,YOLOv4, YOLOv5,我们进行相应的实验。我们的实验参数的设置如表所示5。输入的初始参数值大小,最初的学习速率,类,批量大小,和时代的钢轨裂纹图像提供的培训。

这个实验条件的基础上,测试执行小YOLOv3 YOLOv3 YOLOv4, YOLOv5。验证了模型精度的三个指标:精度,回忆,和地图,和模型验证速度每秒的帧(FPS),如表所示6。

YOLOv3识别精度高于小YOLOv3和更快的速度比YOLOv4和YOLOv5认可。识别精度的帮助下可以优化模块和SPP模块。根据实验结果,YOLOv3可以达到相同的水平甚至超过YOLOv4 YOLOv5。

因此,初步结论是,YOLOv3更优化的理想目标。可以验证这一结论在最后的测试结果进行了优化。

网络时的预测帧定位裂缝与原YOLOv3相比是更准确的使用改善YOLOv3网络完成检测裂缝的卧铺由于添加关注机制来提高捕捉裂缝的位置的能力。检测效果如图11。

YOLOv3和该算法用于检测总体路基裂缝图像和分割图像利用灰色预测方法的卧铺。实验结果的比较如表所示7。比较两个输入的总体路基和睡眠区域显示地图的裂纹检测提高了35.4%和38.8%后YOLOv3和改善YOLOv3铁路轨枕区域提取,分别证明睡眠区域提取裂纹检测的必要性。卧铺地区列中输入的数据表明,改进YOLOv3与原来的相比提高了地图6.9%网络,证明本算法的显著优越性卧铺裂纹检测。

3.7。特征提取

关于睡眠裂纹数据集构建在这工作,卧铺裂缝特点检测得到的结果使用这项工作的方法比较与其他网络模型。模型包括BAS [43],R2Net [44],SOD100k [45),EDR (46],PFA [47],HED [34],POOLNet [48]。图12表明该算法具有良好的检测裂缝在不同的情况下,包括低对比(1日4日和6日列),小目标(4日和6日列),和复杂的背景(二线,三线,5日和7日列)。

应用上述评价指标定量分析的网络性能,如图13和14。AUC而言,该算法提高了6.0%,0.2%,1.2%,2.8%,3.8%,10.4%,15.5%,和50.9%与CEDNet相比,功能,BAS, POOLNet, R2Net, PFA, SOD 100 k, HED,分别。这个结果表明,该算法有更好的分类性能的预测。这项工作的美价值为0.015,验证算法有一个小错误,与其他网络相比准确率高。越接近曲线组成的精度和召回右上角,更好的网络分类,大包围的面积F曲线和水平轴,网络的性能越强。

该算法比其他算法具有更好的破解完整和清晰,取决于使用级联网络的形式。可以获得一个更完整的裂缝特征级联后剩余的网络编码模式(即。,CEDNet CRRNet)。和EDR功能相比,后池操作输入删除卷积层在特征提取阶段在这工作,提高图像分辨率和Conv5 Conv6旨在恢复网络接受域。裂缝在这个阶段获得更详细的信息。由1 d与BAS过滤器是用于优化部分平衡改进性能和计算效率。在FPN-based U-Net结构,如POOLNet R2Net,高层语义特征不断稀释,因为他们的结构限制与低层图像特征融合时,每一层和接受不同领域的网络导致裂缝局部信息的损失显著地图。

4所示。结论和期望

我们提出一个方法来检测裂缝铁路枕木基于DCNN解决缺乏准确性在裂缝识别裂纹检测。CNN使用由一个修改YOLOv3网络本地化和CEDNet CRRNet中提取和优化铁路轨枕的裂缝特征,分别。定位铁路轨枕裂缝,裂缝的混凝土铁路轨枕与压载边缘有一些相似性抓取的图像由于照明和其他原因。然而,铁路轨枕之间的灰度差异可以观察到和压载水。因此,铁路轨枕区域是分段在接下来的第一步。注意模块SE添加最后的原始YOLOv3网络提取裂缝区域,从而提高铁路轨枕裂纹检测的准确性,同时保留网络计算的速度。CEDNet构造提取更多的裂缝信息融合的高级和低级特征裂缝图像。裂纹边界优化网络CRRNet添加到优化裂缝,和堆叠裂纹粗显著特征映射的输出可以优化和网络通过学习从地上残差的事实。级联的方法是采用上述两个网络获得裂缝显著地图更完整的边界和区域信息。这项工作的结论如下:(1)一个新的裂纹检测方法的设计。级联网络结合CEDNet CRRNet是用于提高裂纹检测的完整性。其F-weighted 0.831,美是0.0157,和AUC是0.9453。(2)提出一种改进的YOLOv3网络本地化裂缝,和注意力机制SE模块添加的骨干网络。地图与YOLOv3相比提高了6.9%。(3)公元前损失函数的优化效果,借据,SSIM裂缝识别叠加,提出一种新的混合裂纹识别损失函数。特别是,我们的改善方法68.4%,74.8%,84.1%,99.0% , , ,和 ,分别。(4)提出的综合评价方法。我们的方法具有较强的鲁棒性和高水平的裂缝探测效率与七个最先进的方法。

提出了裂缝识别模块由两部分组成。在优化阶段,我们执行裂纹边界优化过程直接在第一个输出的基础。与端到端学习相比,这种方法要求二次调整模型参数增加了成本和时间需要更多的手动处理。因此,如果优化可以被封装成一个即插即用模块部分,这将大大提高操作效率的模型,这是本文的下一个优化的目的。本文有效地提高识别的准确性的裂缝铁路轨枕但不测量几何参数。如何计算裂缝的实际大小的基础上,现有的数据是我们未来努力的方向,这是非常有利于实际工程应用。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(51975347和51975347号)。