大场景视频监控下大坝运输车改进多目标多视觉卸料识别模型研究

运输车卸料识别对保障大坝施工安全、优化运输配置具有重要意义。然而,大坝施工中多采用全球导航卫星系统（Global Navigation Satellite System,GNSS）进行运输车活动状态分析,存在设备成本高、识别精度低等缺点。目前,通过布设高清摄像头进行坝面大场景施工监控成为趋势,但尚未见基于机器视觉的运输车卸料识别研究。针对上述问题,提出大场景视频监控下大坝施工运输车卸料识别改进多目标多视觉任务模型。首先,采用ByteTrack实现大场景监控视频中多辆运输车目标检测与追踪,记录其行驶轨迹;其次,High Resolution Net（HRNet）被用于运输车头部和尾部的关键点检测,进而结合行驶轨迹判断运输车前进、停止和后退等行进状态;再者,通过Destruction and Construction Learning(DCL)细粒度分类方法判断运输车料斗的抬升状态;最后,结合ByteTrack、HRNet和DCL的多目标多视觉任务的分析结果判定运输车卸料状态。以两河口施工视频监控为例进行验证,提出的卸料识别模型在34帧时卸料状态识别平均准确率为87.3%,卸料时间判断精度为90.3%,验证了本模型的可行性和有效性。     

迁移学习框架下高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型

施工仿真参数是影响高心墙堆石坝仿真结果准确性的关键。现有方法基于历史数据来预测未来填筑层的仿真参数,忽略了不同层之间的施工差异;同时,在新一层开始时往往存在数据不足或缺失的问题;此外,施工参数受到气象条件、机械运行状态等多因素影响而动态变化。本文利用迁移学习解决了上述问题,该方法具有通过知识迁移解决少样本建模问题的优势,同时考虑气象条件、机械运行状态等多种因素的定量影响,提出迁移学习框架下的高心墙堆石坝施工仿真参数改进蝗虫算法优化的多层感知机动态预测模型。首先,建立综合考虑多因素影响的施工仿真参数IGOA-MLP预测模型;其中,采用非线性缩减因子和柯西-高斯混合变异模式改进蝗虫优化算法(IGOA),并利用IGOA高效全局最优搜索能力来优化多层感知机(MLP)的超参数。其次,引入迁移学习策略,将训练集划分为源域和目标域,并在MLP隐藏层中增加自适应层以表征源域数据与目标域数据的差异性,实现历史工况和新工况间的知识迁移,从而解决新工况下缺少数据的问题。工程实例表明,相比于传统MLP模型以及未使用迁移学习的IGOA-MLP模型,本文所提方法的平均绝对百分比误差(MAPE)分别降低了54.68%、40.57%,证明了本文所提模型能够更准确地预测仿真参数,为仿真计算提供可靠的数据基础。