2 / 2024-04-04 12:08:03

隧道光面爆破炮孔残痕Cascade Mask Region-Convolutional Neural Network-ResNeSt智能识别方法

隧道工程；炮孔残痕；实例分割；深度学习；神经网络

为解决现有隧道炮孔残痕识别方法中存在的识别精度不足、鲁棒性较低以及检测速度较慢等问题，提出了一种名为Cascade Mask Region-Convolutional Neural Network（Cascade Mask R-CNN）的隧道炮孔残痕识别算法。该算法以Cascade Mask R-CNN实例分割算法为基础，采用先进的ResNeSt网络作为主干网络（Cascade Mask R-CNN-S），增强了Cascade Mask R-CNN算法获取特征信息的能力，提升了识别的精度；接着采用多尺度训练方式与学习率调整策略对网络进行训练得到智能识别模型，提升了识别算法的鲁棒性；最后以平均精度值mAP为测试指标与传统的Cascade Mask R-CNN、Mask R-CNN等算法进行对比实验。研究表明：改进算法的预测框（IoU阈值为0.5）平均精度值（b_mAP(50)）与分割（IoU阈值为0.5）平均精度值（s_mAP(50)）分别高达0.415、0.402。相较于传统的实例分割算法，改进的算法在隧道炮孔残痕识别精度上有显著提升，针对隧道复杂的作业环境具有更好的鲁棒性，抗干扰能力更强，能够更好地满足工程需求。