.png){kind=icon}
返回
Tunnel lining surface defect detection algorithm based on multi-scale features and structural re-parameterization
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae0909.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决隧道衬砌表面缺陷检测中准确率和速度较低的问题，提出了一种将多尺度特征提取与结构重参数化相结合的隧道衬砌表面缺陷检测算法。首先，设计了一种分组多核卷积块以构建多尺度特征提取模块，通过多尺度捕捉各类隧道衬砌表面缺陷特征，增强了骨干网络对不同尺度表面缺陷特征的检测能力。此外，将空洞重参数块与广义高效层聚合网络相结合，构建了一种新型的空洞重参数块高效层聚合网络，该网络有效融合了骨干网络提取的不同尺度隧道衬砌表面缺陷特征，并通过结构重参数化策略，将多分支空洞卷积结构等效转化为单一大型非空洞卷积核，降低了计算复杂度并提升了推理速度。最后，设计了一种遮挡感知检测头，对融合特征进行通道加权，通过增强模型对重要缺陷特征信息的注意力，缓解了隧道衬砌表面缺陷的遮挡与重叠问题，从而提高了缺陷检测的准确率。实验结果表明，与基线模型相比，所提算法的参数数量和计算成本分别减少了约13.5%和15.9%，F1-score提升了3.2%，隧道衬砌表面缺陷检测的mAP@0.5提高了2.6%，推理速度增加了约13帧/秒。
Keyword:
tunnel lining surface
defect detection
multi-scale features
structural re-parameterization
occlusion-aware
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Automatic defect detection and segmentation of tunnel surface using modified Mask R-CNN基于改进掩模r-cnn的隧道表面缺陷自动检测与分割.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Automatic tunnel lining crack detection via deep learning with generative adversarial network-based data augmentation基于生成对抗网络的数据增强的深度学习隧道衬砌裂缝自动检测UNDERGROUND SPACEOAAI
UNDERGROUND SPACEIF8.3
OAAI分享收藏MBE-YOLOv8: enhancing building crack detection with an advanced YOLOv8 frameworkMBE-YOLOv8：利用先进的YOLOv8框架提升建筑裂缝检测
PREAI
分享收藏Automatic detection method of tunnel lining multi-defects via an enhanced You Only Look Once network
PREAI
分享收藏
分享收藏Deep learning-based automatic recognition of water leakage area in shield tunnel lining基于深度学习的盾构隧道衬砌渗漏水区域自动识别
PREAI
分享收藏
查看更多内容