一种基于桥梁横向裂缝的病害识别方法

桥梁安全是交通安全中最重要的部分之一,桥梁定检是对桥梁安全最有效的评价方法,而在桥梁定检中对病害的识别尤其重要。据相关统计,我国混凝土桥梁的病害中有80%以上是由裂缝造成的,因此对桥梁的健康检测主要是对桥梁表观裂缝的检测与测量。为了提高检测的准确性和效率,统计桥梁裂缝病害图片的识别精度与收敛性,本文结合卷积神经网络（Convolutional Neural Networks, CNN）技术,利用TensorFlow提供的双线性插值法预处理裂缝图像。将裂缝图像预处理成分辨率为75 px、150 px和300 px;并在TensorFlow架构中构建CNN的训练模型,用该模型分别训练分辨率为75 px、150 px和300 px的横向裂缝病害图片,分析在不同分辨率情况下横向裂缝病害的训练精度、收敛性和效率。将3种不同分辨率的横向裂缝病害图片训练结果模型保存下来作为横向裂缝病害识别的测试模型,并将这些模型分别用于测试实际工程应用中的横向裂缝图片和测试集中的横向裂缝图片,分析在经过预处理后的测试集图片与实际环境中拍摄的横向裂缝图片的识别精度、收敛性和效率。实验结果表明,与刘洪公等人所用的识别算法相比,本文算法的训练精度、可扩展性和实时性更好,识别率高达99%及以上,为其他裂缝病害的识别奠定了良好的基础,也能够为桥梁裂缝病害的检测提供参考数据。     

基于卷积神经网络的盲文音乐识别研究

盲人音乐家在交流创作的音乐作品时面临着人工转换和效率较低的问题,信息科学与技术的迅速发展为解决此类问题提供了许多解决方案。虽然目前有许多盲文音乐作品的识别方案,但其存在识别效率低和兼容能力不足等缺点。为了避免传统方案在盲文音乐图片特征提取时过多依赖人工经验,通过研究提出并设计了基于卷积神经网络的识别模型。在对盲文音乐图片的样例数据进行预处理之后,通过多次反复迭代训练,模型就可学习到盲文音乐图片中音乐符号的特征。实验结果表明,该模型的识别有效性和较强的泛化能力为盲文音乐作品的识别提供了一种新的解决方案。     

基于深度卷积神经网络的物体识别算法

针对传统物体识别算法中人工设计出来的特征易受物体形态多样性、光照和背景的影响,提出了一种基于深度卷神经网络的物体识别算法。该算法基于NYU Depth V2场景数据库,首先将单通道深度信息转换为三通道;再用训练集中的彩色图片和转换后的三通道深度图片分别微调两个深度卷积神经网络模型;然后用训练好的模型对重采样训练集中的彩色和深度图片提取模型第一个全连接层的特征,并将两种模态的特征串联起来,训练线性支持向量机（LinSVM）;最后将所提算法应用到场景理解任务中的超像素特征提取。所提方法在测试集上的物体分类准确度可达到91.4%,比SAE-RNN方法提高4.1个百分点。实验结果表明所提方法可提取彩色和深度图片高层特征,有效提高物体分类准确度。     

基于YOLOv3的二次设备保护压板状态图像识别

目前,变电设备信息化程度不断提高,对二次设备各模块提出更高的数字化要求。为解决二次设备压板状态人工识别程序繁杂、耗时长、容易出错等问题,提高压板巡视效率,维护二次设备安全稳定运行,本文通过研究比对机器学习算法和深度学习目标检测算法等方法的难易程度和准确率等因素,最终选择YOLOv3算法。将压板标准态文档转换成json数据后,使用基于imagenet的YOLOv3-darknet53预训练模型,导入压板开关图像样本集。使用LabelImg标注样本集后,进行深度学习得出训练后模型,运用该模型得到现场压板图识别数据,将标准态数据与实际图片数据对比绘制图形,实现压板开关状态准确识别和标注。结果表明,压板开关位置、开关状态识别成功率达到99%,有效提升了压板巡视工作效率和准确度,极大提高了二次设备数字化水平。     

基于自监督知识迁移的鲁棒性语音识别技术

针对标注神经网络训练数据的成本日益增加与噪声干扰阻碍语音识别系统性能提升的问题,提出一种基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法。首先,在预处理阶段提取原始语音样本的三个人工特征;然后,在训练阶段将特征提取网络生成的高级特征分别通过三个浅层网络来拟合预处理阶段提取的人工特征;同时,把特征提取前端与语音识别后端进行交叉训练,并合并它们的损失函数;最后,通过梯度反向传播令特征提取网络学会提取更有助于去噪语音识别的高级特征,从而实现人工知识迁移与去噪,并高效利用了训练数据。在军事装备控制的应用场景下,基于加噪后的THCHS-30、希尔贝壳数据集AISHELL-1与ST-CMDS这三个开源中文语音识别数据集以及军事装备控制指令的数据集上进行测试,实验结果表明,基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法词错率可以降低到0.12,不仅可以实现对鲁棒性语音识别模型的模型训练,同时通过自监督知识迁移提高了训练样本的利用率,可完成装备控制任务。     

基于 BERT 预训练模型的灾害推文分类方法

社交媒体已成为当前发布和传播突发灾害信息的重要媒介,有效识别并利用其中的真实信息对灾害应急管理具有重要意义。针对传统文本分类模型的不足,提出一种基于 BERT 预训练模型的灾害推文分类方法。经数据清洗、预处理及算法对比分析,在 BERT 预训练模型基础上,研究构建了基于长短期记忆-卷积神经网络(LSTM-CNN)的文本分类模型。在 Kaggle 竞赛平台的推文数据集上的实验表明,相比传统的朴素贝叶斯分类模型和常见的微调模型,该分类模型性能表现优异,识别率可达 85%,可以更好地应对小样本分类问题。有关工作对精准识别真实灾害信息、提高灾害应急响应与沟通效率具有重要意义。     

一种基于SIFT特征的铁道检测图片的匹配方法

提出一种基于SIFT特征的铁道检测图片的匹配方法。由人工标定铁路上的目标位置图片,通过匹配算法计算匹配图片与目标位置图片可匹配SIFT特征点的数量,利用DTW最优路径规划得到全局最优的匹配结果,从匹配结果中得到一张匹配度最高的图片并将其输出用于道路检测。实验证明,该算法在效率和准确度上均有较好的表现。     

基于Yolov3的小样本智能电极帽端面检测和识别系统

传统的人工检测电极帽端面和对中性判断误差较大且生产效率低下,而深度学习模型价格昂贵且计算代价极大.对此,提出了基于霍夫变换和Yolov3的算法对电极帽对中性及端面进行检测.对样本取帧进行灰度化及高斯模糊处理,采用霍夫变换算法检测出圆心位置,算出与标定位置的差距以便进行对中处理.采用Yolov3算法对样本的目标数据集进行特征提取训练,再调整训练的网格模型参数,训练数据得到模型用于端面检测.     

类人足球机器人场上目标识别算法

在比赛过程中类人足球机器人的视觉系统需要对足球、球门以及对阵双方机器人进行识别. 考虑到算法的快速性及有效性,采用基于颜色信息的算法对球及球门进行识别,通过球及球门的颜色阈值提取图片中球与球门可能的位置,再由球与球门的背景色或面积信息确定球与球门的正确位置. 对双方机器人的识别,首先提取机器人的特征,然后通过在线实时的监督学习方法训练一组级联分类器,通过训练好的分类器对双方机器人进行检测. 实验表明算法能够快速有效地识别场上目标,且算法具有较好的鲁棒性.     

基于卷积神经网络的桥梁裂缝识别和测量方法

为了提高桥梁裂缝检测水平,解决目前手工检测费时费力和传统图像处理方法需要人工设定参数的问题,提出一种基于改进GoogLeNet的桥梁裂缝检测算法。首先,构建了一个较大规模的桥梁裂缝数据集RLH（Retinex-Laplace-Histogram equalization）用于模型的训练和测试。其次,基于原始的GoogLeNet模型,采用归一化的卷积核改进了inception模块,采用三种改进方案修改网络开头,去掉第七个及以后的inception层,建立桥梁裂缝特征图像分类系统。最后,利用滑动窗口精准定位裂缝并结合骨架提取算法计算裂缝的长度和宽度。实验结果表明,改进的GoogLeNet网络与原始GoogLeNet网络相比,识别准确率提升了3.13%,训练时间减少为原来的64.6%。另外,骨架提取算法能够考虑裂缝的走势,计算宽度更加准确,且最大宽度和平均宽度都能计算。综上所述,所提分类和测量方法具有准确度高、速度快、定位准确、测量准确等特点。     

工程地质资料检索系统的设计和应用

铁路工程地质勘察资料数量非常庞大,单条线路的工程地质资料超过1 TB,其中大部分是文档、图像等非结构化数据,这些资料反映了岩土工程特点和地质条件,是工程设计阶段最重要的依据.在项目工期紧和质量要求高的大背景下,传统的资料查阅方式给工程设计人员造成相当大的困扰,急需设计实现一套快速、扩展性强、支持众多文件格式的资料检索系...     

基于改进Cascade R-CNN的探地雷达管线目标检测

针对人工识别探地雷达管线图像时效率低、误差大和成本高昂等问题, 本文提出了一种基于改进Cascade R-CNN的管线目标智能化检测方法. 首先对探地雷达管线图像数据集进行预处理, 提升数据质量. 然后采用ResNeXt代替ResNet作为主干网络提取目标特征信息, 并添加多尺度特征融合模块FPN使高层特征向低层特征融合, 增强低层特征表达能力. 其次, 使用高斯形式的非极大值抑制方法Soft-NMS得到更加精准的候选框, 使用Smooth_L1作为损失函数, 加速了模型收敛并且降低了训练中发生梯度爆炸的概率. 最后, 对于管线目标特殊的形状特征, 设置合适的锚框长宽比和大小, 提高锚框的生成质量. 实验结果表明, 本文方法解决了复杂特征的地下管线目标智能化检测, 对地下管线目标检测的平均精度达到94.7%, 比Cascade R-CNN方法提高了10.1%.     

基于增强卷积神经网络的路面裂纹检测

为了提高路面裂纹检测的效率以及精度,将增强卷积神经网络引入路面裂纹图像识别中。首先,采用线性灰度变换对原始图像进行预处理,减少噪声对识别的影响。接着经过结构设计,算法训练以及实验样本测试几个步骤后,建立了路面裂纹识别模型。最终通过在Matlab实验显示,建立的识别模型能够有效地对路面裂纹进行识别,识别率可达92.8%。实验结果表明相比于其他算法,本算法具有效率高、结果准确等优势,能够满足工程需求。     

基于PSO的SVM的煤岩声发射源定位研究

为了准确的预测采空区煤矿煤岩破裂与失稳前岩石所释放出来的声发射信息的位置,并且根据山西焦煤的官地矿16403工作面获得的声发射事件的数据,因为该数据是一个非线性、高维的问题,提出了用PSO和SVM算法相结合的方法在煤矿煤岩声发射定位中的应用进行了研究。以往的方法只是单纯的收集煤岩或岩石声发射信息,以至于定位会出现失准、精度低和误差大的缺点。文章提出了“1+1=1”的定位方法,既收集同一位置的岩石和煤岩体的声发射信号,分析处理后,得到其位置。在煤岩失稳前两者都会发出强烈的信号。仿真结果表明：应用PSO和SVM理论结合的方法进行煤矿煤岩声发射定位的预测,在提高准确性和精确度的同时,也大大的提高了泛化的能力,该方法也大大减小定位失准的误差。     

AR 辅助的基于 HOG-SVM 移动水稻病害智能分析与识别系统

针对传统病害识别系统存在拍摄环境要求高、样本数量要求多的缺点,设计了一套增强现实（AR） 辅助的基于方向梯度直方图(HOG)-支持向量机(SVM)的识别方案。在较少素材量的前提下,由于诊断系统中引入 AR 技术辅助拍摄,在训练时长、识别速度以及平均精度上优于其他方法。以安卓终端为例,实现了 AR 辅助基 于 HOG-SVM 的移动水稻病害识别系统,能够快速识别病害指导用户提高拍摄图片的质量。通过对批量图片进行 病斑识别,分别从病害准确率、病害叶片检出率和病斑定位准确率 3 方面对病斑识别结果进行分析,最终得出, AR 技术与基于 HOG-SVM 快速识别方案的结合能够在小训练样本前提下给出更快的训练结果和识别结果,且平 均精度高于 YOLO v3,SSD 512 和 Fast R-CNN 等深度模型,是一种比较合适目前移动端病害识别的方法。     

基于计算机视觉的公路边坡裂缝检测方法

裂缝是大部分公路边坡灾害的早期症状,安全监测集中在此阶段进行.目前,公路边坡多采用人工定期巡查等方法,但存在成本高、监测范围小、人工干预多、安全性差等问题.提出一种基于计算机视觉技术的边坡裂缝监测技术,使用专业级摄像头拍摄边坡裂缝图片结合人工标注,构建目前种类多样的、且符合标准的边坡裂缝数据集;基于此数据集,利用深度学习、膨胀卷积等思想设计了边坡裂缝检测模型FSNet,实现了裂缝的精准分割与识别.经实验证明,该模型对边坡裂缝具有较好的识别能力,识别准确率达到94.21％,且该模型网络参数少、运算复杂度低,为实现公路边坡智能化监测提供可行性.     

面向教育领域的基于SVR-BiGRU-CRF中文命名实体识别方法

在教育领域中,命名实体识别在机器自动提问和智能问答等相关任务中都有应用。传统的中文命名实体识别模型需要改变网络结构来融入字和词信息,增加了网络结构的复杂度。另一方面,教育领域中的数据对实体边界的识别要十分精确,传统方法未能融入位置信息,对实体边界的识别能力较差。针对以上的问题,该文使用改进的向量表示层,在向量表示层中融合字、词和位置信息,能够更好地界定实体边界和提高实体识别的准确率,使用BiGRU和CRF分别作为模型的序列建模层和标注层进行中文命名实体识别。该文在Resume数据集和教育数据集(Edu)上进行了实验,F₁值分别为95.20%和95.08%。实验结果表明,该文方法对比基线模型提升了模型的训练速度和实体识别的准确性。     

海洋地质数据库应用模型构建方法

随着海洋地质调查程度的不断深入,海洋地质调查业务越来越多,如何合理地管理使用海洋地质调查数据成为研究热点。文章以面向对象的思想为基础,借鉴POSCEpicentre数据模型和中国石化石油勘探开发数据模型建设思路,提出了面向业务的海洋地质应用模型标准体系架构,介绍了海洋地质调查数据库应用模型的构建方法,对海洋地质调查业务进行系统的分析,详细描述了海洋地质业务模型的分析方法,设计了逻辑模型的构建流程。以海洋地质调查地球物理业务为例,构建了其业务模型和逻辑模型,可以弥补现有海洋地质数据库系统存在的缺陷,提高数据服务的效率。     

一种新的CpG岛的位置识别算法

随着多数生物基因组测序工作的完成,基因识别就显得尤为重要.CpG岛在基因组中有着重要的生物学意义,因此识别CpG岛将有助于基因的识别.目前已经构建的一些识别CpG岛的位置的模型大都存在标注偏差、需要独立假设等缺点,为此提出一种基于条件随机场(CRFs)模型的CpG岛的位置识别的新方法.该方法将识别CpG岛的位置的问题转化为序列标记问题,并根据CpG岛的位置的性质设计了相应的模型构建、训练以及解码的算法.利用本文算法可以对输入序列确定最有可能的标注序列,从而识别CpG岛的位置.通过对标准数据库的数据进行测试,其实验结果表明本文算法是可行的、高效的,比HMM方法有更高的准确率.