论文摘要
面向复杂多样的钢轨场景,本文扩展了最先进的深度学习语义分割框架DeepLab v3+到一个新的轻量级、可伸缩性的贝叶斯版本DeeperLab,实现表面缺陷的概率分割.具体地, Dropout被融入改进的Xception网络,使得从后验分布中生成蒙特卡罗样本;其次,提出多尺度多速率的空洞空间金字塔池化（Atrous spatial pyramid pooling, ASPP）模块,提取任意分辨率下的密集特征图谱;更简单有效的解码器细化目标的边界,计算Softmax概率的均值和方差作为分割预测和不确定性.为解决类别不平衡问题,基于在线前景-背景挖掘思想,提出损失注意力网络（Loss attention network,LAN）定位缺陷以计算惩罚系数,从而补偿和抑制DeeperLab的前景与背景损失,实现辅助监督训练.实验结果表明本文算法具有91.46%分割精度和0.18 s/帧的运行速度,相比其他方法更加快速鲁棒.
论文目录
文章来源
类型: 期刊论文
作者: 金侠挺,王耀南,张辉,刘理,钟杭,贺振东
关键词: 钢轨表面缺陷,视觉检测,贝叶斯卷积神经网络,注意力机制,类别不平衡
来源: 自动化学报 2019年12期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 铁路运输,自动化技术
单位: 湖南大学电气与信息工程学院,湖南大学机器人视觉感知与控制技术国家工程实验室,长沙理工大学电气与信息工程学院,郑州轻工业大学电气与信息工程学院
基金: 国家自然科学基金(61573134,61733004),湖南省科技计划项目(2017XK2102,2018GK2022,2018JJ3079)资助~~
分类号: U213.43;TP18
DOI: 10.16383/j.aas.c190143
页码: 2312-2327
总页数: 16
文件大小: 1815K
下载量: 324
相关论文文献
标签：钢轨表面缺陷论文; 视觉检测论文; 贝叶斯卷积神经网络论文; 注意力机制论文; 类别不平衡论文;