-
题名基于空间卷积神经网络的井下轨道检测方法
被引量：8
- 1
-
-
作者
韩江洪
乔晓敏
卫星
陆阳
-
机构
合肥工业大学计算机与信息学院
安全关键工业测控技术教育部工程研究中心
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2018年第12期34-43,共10页
-
基金
国家重点研发计划专项(2016YFC0801800)资助
-
文摘
针对传统轨道检测方法效率低下、检测精度不高等缺点,提出一种基于空间卷积神经网络的轨道检测模型。模型直接将轨道图像作为网络的初始输入,首先利用一般卷积层提取轨道低级特征,其次引入不同扩张率的扩张卷积来改善由于池化操作造成图像信息丢失的情况,最后利用层中行列消息传递的空间卷积来更好地提取轨道的长结构信息。实验结果表明,模型可大幅提高轨道检测算法的效率和精度,相较于传统基于图像处理方法平均精度提高了约22%,检测效率提升了50%。相较于直接运用在井下的空间卷积方法平均精度提高了5.5%,检测效率提升了30%。在800×288图像上的检测速率可达30 fps,检测精度约97.29%,表明了深度学习算法在井下轨道检测上的有效性,也为实现无人驾驶系统中的轨道检测提供了一种新思路。
-
关键词
井下轨道检测
空间卷积
卷积神经网络
扩张卷积
-
Keywords
downhole track detection
spatial convolution
convolutional neural network
dilated convolution
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
