期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于YOLOX-MobileNetV3模型的路面病害智能识别研究 被引量：4
1
作者 李炎清 张关发 +2 位作者 崔志猛 马宗利 仰建岗 《交通节能与环保》 2023年第3期11-17,共7页
目前处理探地雷达(GroundPenetrating Radar,GPR)数据主要依赖于人工,容易造成病害识别误判、漏判率大、速度慢等问题,因此GPR智能目标识别已成为近几年的研究热点。本文提出基于卷积神经网络中的YOLOX-MobileNetV3模型来实现路面病害... 目前处理探地雷达(GroundPenetrating Radar,GPR)数据主要依赖于人工,容易造成病害识别误判、漏判率大、速度慢等问题,因此GPR智能目标识别已成为近几年的研究热点。本文提出基于卷积神经网络中的YOLOX-MobileNetV3模型来实现路面病害自动识别,利用三维数据的高信息量和深度学习智能提取特征的优势,实现路面病害的智能化识别。首先对三维探地雷达得到的GPR图片进行预处理,然后以3∶1的训练集和测试集数量比例对数据进行3轮训练和测试,并利用平均精确度、全类平均精确度、精确度、召回率、F1值、平均漏检率等指标来评价3次训练和测试的结果。结果表明:YOLOX-MobileNetV3模型的训练损失权重平均为5.014,测试准确率平均为61.35%。该模型识别路面结构病害尤其是裂缝、层间黏结不良的准确率较高。同时随着训练与测试轮数的增加,其精确度也会随之增加,召回率会随之减小。由此可见,YOLOX-MobileNetV3模型能够实现路面病害自动识别。 展开更多
关键词 道路检测 三维探地雷达 yolox-mobilenetv3模型 精确度
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部