斜拉索索力识别的改进方法

介绍了频率法测试斜拉索索力的原理,并对斜拉索索力识别提出了一种改进方法。通过现场实际测试,证明采用该法较其他常用方法而言,固有频率识别精度得到了很大提高,从而显著地提高了频率法索力识别精度。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。     

基于三维包络展开的车型识别

基于深度学习的车型识别方法大多采用车辆的二维正面图像作为深度神经网络的输入,但二维图像存在一定的透视形变,因此识别精度受到一定的限制。为了改进上述问题,提出了基于三维包络展开的深度学习车型识别方法。通过对车辆构建三维包络框,获得更加规范化、标准化的展开图像,并将其作为YOLO v3算法的输入,从而对两厢车和三厢车实现更准确的分类。实验结果表明,较之原始二维图像的深度学习检测算法,两厢车型分类准确率提升了8.74%,三厢车型分类准确率提升了7.49%,能够有效地实现车型再分类。     

基于改进Cascade RCNN的风管平面二维图纸识别

过去20年,我国城市化水平迅速提高,高速发展的同时也带来了既有建筑量大面广,建筑设备退化、运维困难等问题。BIM包含丰富的信息,能够提高设备运维效率和质量,但很多既有建筑仅有纸质图纸资料,从纸质图纸中人工重建BIM耗时耗力,亟需一种从二维图纸自动创建BIM的方法。本文提出使用改进的Cascade RCNN算法结合数字图像处理技术识别风管平面图纸,提取图像中的设备类别和位置信息,为重建BIM提供数据基础。改进时针对风管设备类型众多、形态各异的特点,使用Res2Net提高网络的多尺度特征提取能力,融入可变形卷积DCNv2加强网络适应几何形变的能力,改进非极大值抑制算法提高定位精度,降低漏检风险。实验表明,本文算法可以准确识别风管平面图纸中的设备,改进有效减少了定位和分类错误,提高了识别精度,mAP达到80.8%。最后通过横向对比其他算法的效果,验证了本文算法的先进性。     

基于FireNet的古建筑火灾检测方法研究及改进

针对古建筑火灾检测需要快速、准确及实时的需求,建立了一个专门用于古建筑火灾检测的数据集,用于古建筑火灾检测的深度学习研究。利用CBAM注意力机制模块,结合多尺度特征融合,对FireNet网络进行改进,提出适用于古建筑火灾检测的轻量级FireNet-AMF网络,在FireNet数据集和本文构建的古建筑火灾检测数据集上验证了FireNet-AMF网络的火灾检测能力。与改进前的网络相比,FireNet-AMF网络在FireNet数据集上对火灾识别的准确率达到了95.08%,与原网络相比提高了1.17%,在本文构建的古建筑火灾检测数据集上的准确率达到了95.62%,比原网络提高了1.62%。该网络在保证轻量级的同时也保证了在古建筑火灾检测中较高的检测精度。     

基于改进胶囊网络的绝缘子破损识别与定位

针对接触网绝缘子破损识别,传统的特征匹配和神经网络分类识别率较低,同时因其需要人工提取和训练等问题,识别速率也较慢.相比传统卷积神经网络(CNN),胶囊网络(CapsNet)首次采用矢量作为输入,可以很好的保留目标的方向,角度等特征信息,更适合于识别复杂背景下的绝缘子.因此提出一种基于改进胶囊网络和CV模型结合的绝缘子...     

基于区块链技术的机会网络安全性研究

机会网络由于具有间歇式连接、多跳转发等特点,很容易遭受恶意攻击。文章提出一种基于区块链技术的节点身份识别方案,可以检测出破坏网络的恶意节点,在此基础上改进了Epidemic路由,在提高消息投递率的同时,降低了网络开销和平均延迟。通过仿真实验,证实了该方案可以有效地防范各种恶意攻击,在消息投递率、平均延迟、网络开销以及恶意节点检测率等方面均优于传统方案。     

基于智能化的井盖快速检测及路框差评定技术研究

提出了一种基于三维路面数据,利用全卷积网络（FCN）识别井盖边缘界限,再结合随机Hough变换提取井盖特征的方法来检测路框差。现有路框差采用人工尺量的检测方法,危险系数高且检测点数有限。与仅检测纵横两个断面的手动方法相比,提出的路框差检测自动化实现了以下改进：通过检测井盖八分点及与之对应路面的3D数据,利用全卷积网络（FCN）识别和随机Hough变换结合方式识别井盖的方法,以更有效、更完整的方式测量井盖沉降或凸起值。90%以上测试位置的测量误差在±2 mm范围内,所有测试位置的平均绝对误差均在1.7 mm内。在有井盖的路面上进行的现场试验表明,所提出的自动化方法在精度上与人工调查相当。     

斜拉桥损伤识别的径向基函数(RBF)神经网络设计

在文~［１］中用径向基函数神经网络讨论了梁格形式的桥梁构件损伤识别,文~［１］对文~［２］做了改进,识别效果大大改善。本文尝试用径向基函数神经网络对斜拉桥构件损伤进行识别,验证指标函数及径向基网络的设计参数。     

基于残差网络的混凝土结构病害分类识别研究

针对混凝土结构病害识别类型单一、精度较低的现状,提出了基于残差网络和迁移学习的病害分类识别方法,通过构建多属性病害数据集,利用迁移学习优化残差网络模型,提出混凝土结构健康状态识别的多个任务。首先收集混凝土结构的病害状态图像,依次通过数据清洗、尺寸均一化、数据扩增和多人投票标注,最终得到包含6 680张图像的混凝土结构病害多属性数据集,并依据不同标注属性进行了相应训练集、验证集和测试集的划分; 然后利用迁移学习对预训练的ResNet-34网络前3个部分进行参数冻结,后续2个部分的参数进行重新训练,并在模型末端添加新的参数,基于已构建的数据集进行训练; 最后在提出的构件类别检测、剥落检测、病害检测和病害类别检测任务中,分别获得84.88%、98.56%、97.18%和85.34%的F1分数。结果表明:通过构建多属性标注的混凝土结构病害数据集训练深度学习模型,可较好地实现多场景特征下的病害识别效果; 采用迁移学习技术可从开源数据中获取较好的特征提取效果; 改进的ResNet-34网络可克服网络退化问题,并针对混凝土结构病害识别的多个任务获得较好的效果; 相对于单一的混凝土结构病害识别,进行病害部位、程度、多类别的系统性检测,可为结构状态评估提供详细信息,更贴合工程实际需要。