基于轻量化GoogLeNet模型的轨道扣件缺陷状态识别

我国是交通大国，并正在向交通强国迈进。轨道维护至关重要，其中扣件的健康状态对于列车的运行安全不容忽视。然而，由于经典卷积神经网络模型的复杂度较高，尤其在识别速度方面无法满足轨道扣件状态识别任务对实时性的要求。鉴于此，设计了一种轻量化GoogLeNet网络模型，在保障模型精度的同时提升模型的推理速度。实验结果表明，轻量化GoogLeNet网络模型的分类精度为92.7%,FPS达到了254.2。相比于VGG16、VGG19和原始的GoogLeNet模型，其识别精度分别提高了21.7、19.5和8.6个百分点，单张图片的推理速度分别减少了3.637 ms、4.824 7 ms和2.943 2 ms。