.png){kind=icon}
返回
Efficient quantifying track structure cracks using deep learning
.png){kind=icon}
OA
AI
DOI：10.1111/mice.13477.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高速铁路无砟轨道结构裂缝检测通常对裂缝检测技术的效率有较高要求。为克服当前裂缝量化方法通常需要多步操作的局限性，本文提出了一种基于深度学习的轨道结构裂缝高效量化方法。该方法通过修改用于图像分类的深度神经网络（DNN），将其应用于裂缝严重程度指数值的直接预测。该方法采用基于深度学习的多步裂缝量化方法计算裂缝严重程度指数值，建立以裂缝宽度平均值作为标签的预测轨道结构层间裂缝严重程度指数值的数据库，建立以裂缝宽度平均值和裂缝面积值作为标签的预测轨道结构复杂裂缝严重程度指数值的数据库，并利用建立的数据库训练修改后的DNN。该方法按空间顺序裁剪轨道结构全景图以获取图像，这既便于DNN预测，又能获取更多如裂缝分布等信息。在使用数据增强方法的条件下，训练后的DNN在对应测试集上的预测结果的平均绝对误差（MAEs）分别为0.0191和0.0183，预测结果与参考值吻合良好。训练后的DNN在对应测试集上的图像处理速率均接近每秒75张（分辨率512 × 512），其计算效率分别是所采用的基于深度学习的多步裂缝量化方法的8.57倍和13.93倍。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
9.1
论文数:
2.0K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
Deep learning and infrared thermography for asphalt pavement crack severity classification基于深度学习和红外热成像的沥青路面裂缝严重程度分类
PREAI
分享收藏
查看更多内容