结合CNN和RNN神经网络用于GPR检测铁路次级疾病
Huan Liu1,2, Shilei Wang3, Guoqing Jing4
1School of Geophysics and Information Technology, China University of Geosciences, Beijing 100083, China.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
一种新的深度学习方法,CRNN网络,通过使用地面透雷达 (GPR) 数据来增强铁路次级评估. 与传统的机器学习技术相比,这种方法显著提高了处理速度和准确性.
科学领域:
- 地质物理学 地质物理学
- 土木工程 土木工程是指土木工程.
- 人工智能的人工智能
背景情况:
- 车载地面透雷达 (GPR) 对于非破坏性的铁路次级评估至关重要.
- 目前的GPR数据处理严重依赖于手动解释,这耗时且对复杂,杂的数据不那么有效.
- 传统的机器学习方法与GPR数据的高维度和冗余性作斗争.
研究的目的:
- 开发一种高效准确的深度学习方法,用于处理和解释用于铁路次级评估的GPR数据.
- 解决手动解释和传统机器学习在处理复杂的GPR数据集中的局限性.
- 引入一种针对GPR数据分析的新型CRNN (卷积循环神经网络) 模型.
主要方法:
- 提出了一个新的深度学习模型,CRNN网络,集成卷积神经网络 (CNN) 和循环神经网络 (RNN).
- CNN组件处理来自单个信号通道的原始GPR波形数据.
- RNN组件分析和整合从多个道中提取的功能,以进行全面的解释.
主要成果:
- 在铁路底层状况评估中,CRNN网络实现了83.4%的精度和77.3%的回忆率.
- 显著提高了速度,比传统的机器学习方法快5.2倍.
- 与传统方法 (104.0 MB) 相比,CRNN模型的文件大小要小得多 (2.6 MB).
结论:
- 开发的CRNN深度学习方法有效地提高了使用GPR数据进行铁路次级状况评估的效率和准确性.
- 深度学习方法非常适合处理大型,复杂的GPR数据集,克服传统方法的局限性.
- 这项研究强调了人工智能驱动的基础设施监控和维护解决方案的潜力.
