Page 37 - 2024年第55卷第1期

５ 对比分析与讨论

本研究采用原始 ＨＴ － ＬＣＮＮ模型、ＬＣＮＮ模型与本文所提出的改进 ＨＴ －
ＬＣＮＮ模型进行对比，并采用线段检测的 ＡＰ值（ＡｖｅｒａｇｅＰｒｅｃｉｓｉｏｎ） ［２１］ 作为
评价指标。设置预测结果分类分数阈值为 Ｔ ，将分类分数 ｓｃｏｒｅ＞Ｔ 的
ｐｒｅｄ
ｐｒｅｄ
预测结果用于 ＡＰ值计算。其中，为了保证结果的客观性，线段的正负样
本采用另一种判断方式。如图 １０所示，预测线段与标注线段之间的端点 图 １０ 预测线段正、
距离分别为 ｄ和 ｄ，设置像素点距离阈值 Ｔ ，当 ｄ＋ ｄ＜Ｔ 时，认为预 负样本判断示意图
１ ２ ｄｉｓ １ ２ ｄｉｓ
测线段为正样本，否则认为预测线段为负样本。
ＬＣＮＮ、ＨＴ － ＬＣＮＮ、改进的 ＨＴ － ＬＣＮＮ模型在隧洞施工日志数据集手绘线条的识别性能上的对比
结果如表 １所示，三种模型在不同 Ｔ 下的 Ｐ － Ｒ曲线如图 １１所示，曲线与坐标轴所围成的面积越大，
ｄｉｓ
则模型性能越好。本案例中，用于测试的验证集共包含 ２２７张图像，真实标注手绘线段数目为 ７７２９
条，分类分数阈值设置为 Ｔ ＝ ０．９，其中 ＡＰ、ＡＰ 、ＡＰ 分别表示在 Ｔ ＝ ０．９，对应 Ｔ ＝ ５、Ｔ ＝
１０
５
ｐｒｅｄ
ｐｒｅｄ
ｄｉｓ
ｄｉｓ
１５
１０、Ｔ ＝ １５三 种情 况下 的 ＡＰ值。由 模型 对 比结果可知，在 本 案 例中，改 进 的 ＨＴ － ＬＣＮＮ较 ＨＴ －
ｄｉｓ
ＬＣＮＮ和 ＬＣＮＮ模型具有更高的准确性，且在不同的 Ｔ 条件下都展现出更优的性能。
ｄｉｓ
表 １ 不同模型的手绘横道图检测性能对比
模型 ＡＰ ５ ＡＰ １０ ＡＰ １５
ＬＣＮＮ ９２．１％ ９２．４％ ９２．５％
ＨＴ － ＬＣＮＮ ９４．１％ ９４．２％ ９４．２％
改进的 ＨＴ － ＬＣＮＮ ９４．７％ ９５．０％ ９５．１％

图 １１ Ｐｒｅｃｉｓｉｏｎ － ｒｅｃａｌｌ曲线

此外，本研究还对改进的 ＨＴ － ＬＣＮＮ模型与 ＨＴ － ＬＣＮＮ模型在添加 ＧＣＮｅｔ模块前后特征提取网络
输出特征图情况进行对比。模型特征提取网络输出特征图大小为（ ２５６，２５６，９６），对应 Ｃ、Ｈ、Ｗ，
沿着通道方向对特征图取均值，得到大小为（２５６，９６）的特征图，再对特征图进行（０，１）范围内的标准
化，最后利用 ＯｐｅｎＣＶ实现特征图彩色化以及与原始输入图像的融合。图 １２所示为两种模型的输入特征
图对比，颜色映射关系如图中彩色条带所示。对比可知，改进的 ＨＴ － ＬＣＮＮ模型对于前景（手绘横道图）
和背景（表格模板和手写文字）的区分效果以及对手绘横道图交点处的激活效果比 ＨＴ － ＬＣＮＮ更明显，
即本文采用 ＧＣＮｅｔ模块后能够降低表格模板等线段对检测手绘横道图的干扰，这一原理在前文检测精
度的对比结果中也得到了印证。

６ 结论与展望

本文以采用手绘横道图记录隧洞施工过程的施工日志为研究对象，针对现有施工活动时间信息人
— ３ ２ —