首页期刊导航|铁道学报
期刊信息/Journal information
铁道学报
铁道学报

杨浩

月刊

1001-8360

tdxb@vip.163.com

010-51847451、51842631

100844

北京复兴路10号

铁道学报/Journal Journal of the China Railway SocietyCSCD北大核心CSTPCDEI
查看更多>> 本刊主要刊登铁路运输与经济、机车车辆、通信信号、电气化与自动化、铁路工程等学科的科研成果论文及综述。入选《中文核心期刊要目总览》核心期刊、俄罗斯文摘杂志（AJ）、美国工程索引（Ei Compendex）、德国国际建筑学数据库（ICONDA）、剑桥科学文摘(CSA)、中国科技论文与引文数据库、中国科学引文数据库等十余家大型数据库。 《铁道学报》于2009年8月1日正式开通。
正式出版
收录年代

    基于自注意力机制与卷积神经网络的隧道衬砌裂缝智能检测

    周中闫龙宾张俊杰张东明...
    182-192页
    查看更多>>摘要：卷积操作固有的局部性,导致难以捕获裂缝的全局特征表示.针对这一问题,以YOLOv5网络框架为基础,通过融合自注意力机制和卷积神经网络提出一种高精度隧道衬砌裂缝智能检测算法ST-YOLO.构建一种双分支特征提取模块,分支一采用基于自注意力机制的Swin Transformer网络提取裂缝的全局特征,分支二采用基于卷积神经网络的CSPDarkent提取裂缝的局部细节特征;采用卷积注意力增强的特征融合模块对两个分支所提取的裂缝特征进行多尺度融合,以实现裂缝全局特征和局部细节特征互补;借助YOLOv5的解耦头模块输出得到裂缝的分类置信度和位置结果.为验证本文提出算法的有效性,选用SSD、YOLOv4、YOLOv5、EfficientDet、Faster-RCNN五种基于卷积神经网络的目标检测算法进行对比分析.结果表明:在本文构建的隧道衬砌裂缝数据集上,ST-YOLO模型的F1分数和AP分别为83.95％和85.26％,相较于五种对比算法具有更高的识别精度及更好的环境适应性,适用于实际隧道工程裂缝病害检测任务.

    隧道工程结构裂缝目标检测深度学习神经网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据