文献类型：期刊文章

作　　者：李太文[1] 范昕炜[1]

Li Taiwen;Fan Xinwei(School of Quality and Safety Engineering,China Jiliang University,Hangzhou 310000,China)

机构地区：[1]中国计量大学质量与安全工程学院,浙江杭州310000

出　　处：《电子技术应用》

基　　金：国家重点研发计划项目(2017YFF0209702)。

年　　份：2020

卷　　号：46

期　　号：7

起止页码：53-56

语　　种：中文

收录情况：DOAJ、JST、RCCSE、ZGKJHX、普通刊

摘　　要：传统的道路裂缝识别方法有基于R-CNN、SPPnet、HOG+SVM等多种方法,但识别精度低、检测速度慢。针对这些缺点,提出一种基于Faster R-CNN的道路裂缝识别方法。首先,采集道路裂缝图像,建立Pascal VOC数据集;其次,基于谷歌开发的TensorFlow深度学习框架,用数据集对Faster R-CNN进行训练并分析各项性能参数指标。实验结果表明,在迭代20 000次的情况下,可将训练损失降到0.188 5,AP值达到0.780 2,取得了良好效果。

关 键 词：机器学习  深度学习  卷积神经网络 道路裂缝  Faster R-CNN  图像识别

分 类 号：TN13]