深度学习在江苏省高速公路交通事故预测中的应用

本文针对交通事故产生的危害,将深度学习应用到江苏省高速公路交通事故预测中,生成一种基于深度学习的预测模型。通过总结时间段、车速及路段方向等基础数据得出交通事故特征向量,构建了一个可对交通事故进行预测的有效模型,从而对交通事故是否发生进行预测分析,最大程度减少交通事故发生。     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

基于深度卷积神经网络的未知复合故障诊断

针对振动信号的非平稳性、非线性以及未知复合故障难以诊断的问题,提出了一种基于深度卷积网络的未知复合故障诊断模型。首先将采集到的时域振动信号通过小波变换生成频谱图像;然后将频谱图输入卷积神经网络(convolutional neural network,CNH),利用卷积网络自适应的特征提取能力对复合故障进行特征学习;最后将深度卷积网络输出的特征通过分类器对故障进行诊断分类。在实验室模拟采集的不同数据集上进行实验,结果表明:基于深度卷积网络的未知复合故障诊断模型与基于改进CDCGAN的复合故障诊断方法相比,对未知复合故障的诊断率提高了44%,达到85.77%;使用不同类型的单一未知复合故障和多种未知复合故障进行实验,验证了所提模型的泛化能力和鲁棒性。     

基于深度学习模型的表面肌电信号手势动作识别算法研究

本文提出了一种基于深度学习模型的表面肌电信号手势动作识别算法,采用瑞士Ninapro公开数据库,通过2阶巴特沃斯滤波器进行带阻滤波对原始信号进行预处理,并利用标准偏差滤除无信号段,采用时间窗重叠的方式将原始数据扩充至符合深度学习模型训练的数据量。最后将预处理后的数据输入34层ResNet深度学习模型并得出识别结果。实验结果显示本文提出的算法较比同类论文取得了更高的识别精度,在52手势动作分类识别准确率达到92. 66%,验证了本算法的有效性。     

基于深度学习的公路施工宏观状态快速评估

高速公路是重要的基础建设项目，针对传统公路施工状态评估效率低下问题，本文提出一种基于深度学习的施工状态快速评估方法。选取高分辨率无人机影像进行实验，首先根据施工状态对目标进行标注与切分，制作深度学习数据集，输入DeepLabV3深度学习网络中进行训练，构建出施工状态分类模型，进而对研究区进行分类。两个研究区的实验证明，本文方法状态识别精度优于同类方法，基于本文方法能够实现公路施工宏观状态准确快速评估。     

深度学习模型与成对分类相结合的人脸识别新算法

针对深度学习人脸识别系统样本数据中存在干扰时会腐化分类边界,导致识别率下降,提出了一种改进的深度学习模型,将成对分类概念引入到深度学习中,提升人脸识别系统对于噪声、腐化、变化的鲁棒性。采用深度信念网络模型,将人脸图像送入深度学习模型中逐层训练网络,在参数微调阶段采用改进的成对BP神经网络进行参数优化,在输出层与前一隐含层之间采用成对连接。在ORL、Extended Yale-B的实验结果表明,所提算法与传统的深度学习算法相比,构造的系统更稳定,算法识别率更高,系统在存在干扰的人脸图像中鲁棒性更强。     

基于长短时记忆网络的结构地震响应预测

在地震作用下,为了给建筑结构的半主动、主动及智能控制系统提供持续稳定、精确实时的响应输入,提出一种基于长短时记忆网络(LSTM)深度学习框架的地震响应预测方法。将三种不同数据特点的地震加速度作用于钢梁有限元模型,采集响应数据库,对LSTM深度学习框架进行搭建、训练及参数优化,完成模型的数据测试,最后将该深度学习框架运用于某框架-剪力墙结构模型的顶层位移响应预测,并与试验数据进行对比。研究结果表明:在不同外部激励作用下,基于LSTM的地震响应预测策略具有较高的精确度和稳定性,可为控制系统预先提供准确的动力响应,从而有利于实现工程结构的在线实时减震控制。     

基于深度学习的混凝土结构表面裂缝检测

混凝土结构裂缝的结构安全问题是目前人们关注的热点,而裂缝是影响建筑物安全的重要因素之一。所以提出了1种基于深度学习的混凝土结构表面裂缝检测方法。首先运用了数据增强的方式丰富了裂缝图像数据集,再利用深度学习技术,选用DeconvNet反卷积网络模型进行模型的训练学习。将图像拼接技术与深度学习相结合应用在混凝土结构裂缝检测中,并且对图像中的裂缝特征进行分析,测量出裂缝的角度、宽度和长度。结果显示,测试集的识别率达到了71.17%,准确率达到了97.92%,使用数据增强增加了模型的泛化能力,使模型具有更好的识别效果,能够对混凝土结构表面裂缝进行完整还原。     

基于深度学习和典型相关分析的渔情预测方法

为解决用传统方法进行渔场预测时存在的性能欠佳、特征转换困难、拟合程度不足等问题,提出了一种基于深度学习和典型相关分析的新型渔情预测方法——CNN-DNN-CCA(连接融合)-RBF模型,该方法首先在5°×5°渔业作业区域内将不同海洋环境因子按相对空间位置映射为三维矩阵,然后分别采用卷积神经网络(CNN)和深度神经网络(DNN)对海表温度(SST)、叶绿素a(Chl-a)浓度、海面高度(SSH)3种环境因子和渔场时空因子两种多源异构数据进行模态特征提取,得到两种不同模态的特征向量,并将两种特征向量通过典型相关分析(CCA)进行特征级融合,最后将融合后的特征输入到径向基函数网络(RBF)中进行分类。结果表明,通过试验验证,基于深度学习和典型相关分析的渔场预报模型CNN-DNN-CCA(连接融合)-RBF对南太平洋长鳍金枪鱼Thunnus alalonga中心渔场的召回率达到了90.3%,相较于随机森林(RF)、CNN和DNN模型提高了6.8%～21.8%。研究表明,CNN-DNN-CCA(连接融合)-RBF新型渔情预测模型通过深度学习和典型相关分析方法分别进行特征自动提取和特征融合,消除了冗余信息,简化了特征转换,提高了运算速度和预测精度。     

耦合岩石图像与锤击音频的岩性分类智能识别分析方法

在野外地质勘探过程中,地质工程师一般通过岩石表面纹理、颜色和敲击岩石音频等信息,对岩性分类进行初步判断。基于专家经验和智能模式,提出一种耦合岩石图像与锤击音频的岩性分类深度学习与智能识别分析方法。该方法基于所采集的不同类别岩石图像和锤击音频数据,首先采用基于Inception-V3的迁移学习方法,对所采集的6类岩石图像进行深度学习与训练;然后利用回弹仪测定岩石强度,通过"阈值法"得到锤击音频片段,以回弹指数的平均值作为岩石强度值,建立波形和强度的SVM(support vector machine)回归模型,实现岩石表面强度预测;最后耦合岩石图像识别模型与岩石音频强度回归模型进行岩性分类智能识别,岩石种类识别准确率从83.5%(采用单纯的图像识别)提高到90.5%。采用该耦合模型不仅能有效识别岩石岩性分类,还能初步给出岩石表面强度,为野外工程地质勘察提供了新的辅助手段,有利于提高初期野外勘探的工作效率。