Page 102 - 无损检测2024年第六期

蒋志超，等

基于 Mask R-CNN 模型的铁路隧道衬砌机制砂混凝土裂缝视觉检测

图 6 视觉通道维度构建结果

图 8 基于不同方法的样本 4， 几何特征排序数量检测结果
6
表2 样本2的裂缝参数信息检测结果

裂缝参数信息检测准确率/%
检测次数
笔者设计方法 文献[3]方法 文献[4]方法
50 92.22 88.88 77.77
100 92.33 83.23 73.23
150 96.33 82.22 76.23
图 7 基于不同方法的样本 1， 视觉检测结果对比 200 95.14 87.18 76.43
5
250 94.15 84.33 77.72
识别较为复杂，其中裂缝宽度、长度等几何特征的标 300 92.25 85.16 77.17
350 92.22 87.18 77.73
记与排序结果可以体现该模型对任务复杂度的应对 400 95.72 83.78 77.69
效果。因此，在不同迭代次数下，随机选取样本4和 450 92.23 88.88 76.92
500 95.22 82.83 79.96
样本6，分析不同方法的几何特征排序数量检测结果 550 92.27 82.82 77.27
（见图8）。
表3 样本3的裂缝参数信息检测结果
由图8可见，相对比其他两种方法，笔者设计方
裂缝参数信息检测准确率/%
法检测到的几何特征排序数量最多，且迭代次数升 检测次数
笔者设计方法 文献[3]方法 文献[4]方法
高后，检测结果受到的影响较小，说明其可扩展性得 50 92.22 82.53 77.27
到了改善，可适应任务需求。 100 94.15 88.38 77.79
150 95.67 82.32 77.77
随机选择样本2和样本3，在已知各样本裂缝参 200 94.25 83.18 79.29
数信息总量的基础上，评估裂缝参数信息检测准确 250 92.51 88.82 76.29
300 94.15 87.63 76.49
率，得到的检测结果如表2，3所示。 350 99.23 86.55 77.72
可见，笔者设计方法相比其他两种方法，对砂混 400 92.22 85.36 79.96
450 92.13 83.18 77.27
凝土裂缝参数信息检测准确率较高，具有较好的应
500 96.15 88.82 77.79
用价值。 550 96.42 82.22 77.69
64
2024 年 第 46 卷 第 6 期
无损检测