为满足隧道表观病害检测的巨大需求,助力数字中国发展战略,自主研发了山区隧道快速检测车,详细介绍了检测车机器视觉模块的总体架构和工作原理.通过分析由检测车采集的海量隧道衬砌图像,总结了 4条山区公路隧道衬砌图像特征.为了解决现有改进的Faster R-CNN裂缝识别原始模型在新的场景下的裂缝识别精度下降的问题,需进一步提升原模型泛化性能,由此展开两阶段研究工作:第一阶段对使用原模型识别出的裂缝图像进行标注,形成基于新场景的小样本数据集;第二阶段展开模型优化训练试验,基于迁移学习和增量学习相关理论提出4种模型训练策略,用于更新原模型,并将新模型的准确率和收敛时间与原模型对比.研究结果表明:运用迁移学习和混合20％原数据训练集的增量学习所对应的两种训练策略是经济可行的,与直接训练新数据集的训练策略相比,平均精准率分别提升了 17.77％和17.95％,可大幅度提高识别准确率;将对比得到的新模型用于云南楚姚高速公路10条隧道的检测,取得了良好的效果.
NETL
NSTL
万方数据
