基于Cascade R-CNN的铁路路基翻浆冒泥病害智能识别方法

针对铁路路基检测数据量大、人工识别效率低的问题,提出一种基于深度学习的铁路路基翻浆冒泥病害智能识别方法。本方法以级联区域卷积神经网络(Cascade Region Convolutional Neural Networks,Cascade R-CNN)为基础识别算法,利用Cascade R-CNN的多阶段检测架构,逐级提高交并比IoU阈值,在不减少样本数的前提下提高模型性能。为解决距离较近的高置信度目标病害被抑制的问题,使用Soft-NMS(Non-maximum Suppression)方法代替传统NMS,以减少假阳性结果的出现。同时,针对自制训练集样本量较小的问题,综合运用多种数据增强技术,防止模型过拟合,提高鲁棒性。试验结果表明,采用改进的基于Cascade R-CNN的识别方法在自制数据集上取得了43.7%的平均精度。模型对比试验也进一步验证了本文方法的有效性。