基于深度学习的公路隧道表观病害智能识别研究现状与展望

公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。     

多源空间数据在城市绿化覆盖率普查中的应用研究

结合2007年南京市园林管理局开展的绿地覆盖率普查项目实际,介绍了利用高分辨率卫星影像进行绿地识别、提取、覆盖率计算的方法以及利用城市绿地矢量GIS数据辅助进行绿地检查的技术手段.通过多源空间数据的综合应用,很好地提高了城市绿地覆盖率统计的准确性及可信度.     

基于多源数据的非正式学习空间使用调查研究——以西建大东楼建筑广场为例

随着大数据时代的到来，环境行为研究试图采取更加量化的手段对建成环境及使用者行为规律进行调查。非正式学习空间中行为的多样性，易导致不同学习行为相互干扰，即行为与采光、噪声等环境差异化要求不匹配等问题，也增加了调研的难度。本文选取尺度适宜且承载行为复杂的某高校非正式学习空间作为实验对象，通过对室内定位、物理环境以及用户属性等相关数据的需求分析、采集、预处理、可视化、关联分析完成整个调研工作。并基于时间和空间维度建立不同类型数据之间的关联，以此呈现多源数据综合分析方法在非正式学习环境行为研究中的潜力。研究表明，多源数据关联分析的行为研究对揭示不同情境下的行为特征提供有力的方法，为既有环境的评估提供理论依据，并有潜力为设计优化提供支持。     

基于网络点评数据的哈佛校园第三场所研究

大学校园中具有第三场所特征的空间会对学生的社交意愿与学习兴趣产生影响,是促进学生持续进行非正式学习行为的重要因素。网络点评数据包含的地理位置信息、使用后评价等数据,有助于从使用者角度探讨第三场所的空间行为与环境特征。本文基于Foursquare和Yelp两大网络点评平台的评论数据,从空间分布、非正式学习活动特征、室内环境要素三个方面对哈佛大学校园内的第三场所进行分析。     

公园绿地与居住用地的空间耦合模式及影响 因素——以南京为例

深入探测公园绿地与居住用地的空间耦合模式及影 响因素,是高效协同两者发展、营造高品质人居环境的基础。 结合土地利用、POI等多源数据,借助空间聚类分析、地理 探测器等方法,基于南京主城区街道单元,系统揭示2006、 2012、2017、2020年公园绿地与居住用地的空间耦合模 式,并探究其影响因素。结果表明：1)公园绿地的规模增长滞 后于居住用地,古城区格局稳定,主城边缘变化突出;2)公 园绿地与居住用地的空间聚集趋势波动性减弱,形成高水平耦 合、低水平耦合、公园绿地主导、居住用地主导4种空间耦合 模式;3)空间耦合受自然条件的核心支撑、规划政策的关键导 向、邻里特征的辅助催化作用。相关规律有助于深化公园绿地 与居住用地的空间耦合理论,为城市宜居环境规划与建设提供 科学依据。     

以体力活动多样性为导向的城市绿地空间设计优化策略

城市绿地空间为居民提供多种体力活动的可能,有利于提升公共健康水平,因此有必要明确影响体力活动多样性的城市绿地空间设计要素。选取上海市中心城区2个城市公园作为研究案例,划定案例中特定尺度的多个绿地空间单元进行实地观察记录,获得在此空间单元中的活动情况数据;进而定量分析体力活动多样性与绿地空间设计要素之间的相关性。对影响体力活动多样性的场地特征和植被特征进行识别,并基于此探讨城市绿地空间优化设计策略。     

基于移动端的嵌入式鸟类识别系统设计与开发

针对基于深度学习的识别方法对数据量要求较高、应用比较困难,对于鸟类数据有限的情况,本文开发一种基于深度学习的移动端嵌入式鸟类识别系统,利用单通道盲源分离对鸣声进行预处理,输入到迁移学习VGG-16模型进图像特征提取实现鸟类物种的分类。采用基于MFCC的双模态决策级特征并训练Mobilenet轻量化模型,将算法移植到Android客户端,以18种鸟类为研究对象进行测试,实验结果表明,该方法在识别准确率达到99%以上,软件推动了鸟类个体自动识别在鸟类调查和监测领域的广泛应用。     

基于领域自适应支持向量机的跨域损伤识别

基于支持向量机的结构损伤识别方法建立在训练和测试数据同概率分布的假设上,必须对每个结构分别收集训练数据和标签并训练模型以识别损伤。损伤结构的训练数据和标签难以收集,导致支持向量机方法在结构损伤识别中难以实施。提出一种基于领域自适应支持向量机的跨域损伤识别方法,将在有损伤标签结构（源结构）上训练的支持向量机推广到无损伤标签结构（目标结构）的损伤识别中。该方法首先提取结构的多阶固有频率变化率作为损伤特征构建训练数据;然后,推导最小化边缘分布差异与最小化联合分布差异的迁移学习方法,将源结构和目标结构数据映射到高维特征空间,减小域之间的数据分布差异;最后,使用映射后的源结构数据训练支持向量机,使用该支持向量机对目标结构进行损伤识别。应用于钢框架与混凝土框架,以及不同结构形式钢框架中的跨域损伤识别,显著提高了支持向量机对目标结构的损伤识别准确率。该方法充分利用了不同结构的损伤标签和支持向量机模型,解决了机器学习中训练数据和损伤标签缺乏的难题,并能极大地提高学习效率、降低学习成本,为基于支持向量机的结构损伤识别提供了新的解决思路。     

基于深度学习和度量学习的行人再识别

跨摄像机行人因光照、视角、姿态的差异,会使其外观变化显著,给行人再识别的研究带来严峻挑战。文中提出基于深度学习和度量学习的行人再识别方法。首先采用手工特征和深度特征融合网络FFN提取行人图像特征,然后将核矩阵应用于KISSME距离度量学习中,获取更优的距离度量模型。在具有挑战的VIPeR和PRID450S两个公开数据集上进行仿真实验,实验结果表明所提出的行人再识别算法的有效性。     

城市非正式绿地：概念、类型、价值及更新设计模式研究

为了解决存量背景下高密度建成区“无缝插绿”的困境,对目前关注较少的非正式绿地的概念、类型、价值和更新设计模式进行系统研究。对web of science及中国知网数据库的63篇中英文文献进行分析。非正式绿地具有无人管理及覆盖自发生长植被的特征,可分为面状、线性及点状绿地,具有增强绿色基础设施韧性、提升绿地公平性、增加城市生物多样性、营造居民安全健康社区环境等重要价值,居民对非正式绿地喜好存在偏差,研究表明该偏差与受访者年龄、受教育程度等个体特征密切相关。非正式绿地是城市绿地（广义）的一种重要类型,具有用地转变、低扰提质、界面融合三种更新设计模式。     

基于深度学习的皮肤影像分类

随着大数据时代的到来,深度学习技术在图像分类、检测等任务中相对传统模式识别方法均取得了令人瞩目的突破。2017年1月,斯坦福大学人工智能实验室采用深度学习方法对皮肤镜和临床皮损图像进行自动分类,并在《自然》杂志上发表了相关研究成果,代表了皮肤图像自动分析领域的最新研究进展。本文从数据库建立、研究方法设计以及试验结果分析等角度对这一研究工作进行解读,并分析国内皮肤影像计算机辅助诊断的研究现状,以及未来多源皮肤影像大数据分析与智能辅助诊断的发展空间,以期推进我国皮肤疾病的医疗诊断水平。     

基于机器学习的风景园林智能化分析应用研究

机器学习使实现数据的智能化处理及充分利用数据中蕴含的知识与价值成为可能。探索基于机器学习在风景园林领域智能化分析应用的途径,开展3个实验。其中2个与数据分析研究相关,提出基于调研图像色彩聚类分析的城市色彩印象和基于图像识别技术的景观视觉质量评估与网络应用平台部署实验。最后1个实验与数字化设计创作相关,提出用于设计方案遴选的地形生成方法,包括2个子项目:应用深度学习生成对抗网络(GAN)的地形生成和建立遮罩、预测未知区域的高程。3个实验应用到机器学习中分类、聚类和回归3个主要方向中的算法以及深度学习的生成对抗网络,对传统的研究问题提出了基于机器学习新的研究方法。因此,在应用机器学习风景园林领域,可以有效地从多源数据中学习相互增强的知识,发现问题,并提出解决问题的新方法。     

Fire Recognition Based On Multi-Channel Convolutional Neural Network

In recent years, fire recognition methods have received more and more attention in the fields of academy and industry. Current sensor-based recognition methods rely heavily on the external physical signals, which will probably reduce the recognition precision if the external environment changes dramatically. With the rapid development of high-definition camera, the methods based on image feature extraction provide another solution which tries to conduct pattern recognition for the monitoring video. However, these methods couldn’t be widely and successfully applied to fire detection due to two deficiencies: (1) there are too many interference items like lamplight and car highlight in the room or tunnel, which will disturb the recognition performance largely; (2) The features depend on much prior knowledge about flame and smoke, and there lacks a universal and automatic extraction method for various fire scenes. As a breakthrough in pattern recognition, deep learning is capable of exploring the useful information from raw data, and can automatically provide accurate recognition results. Therefore, based on deep learning idea, a novel fire recognition method based on multi-channel convolutional neural network is proposed in this paper to overcome the deficiencies mentioned above. First, three channel colorful images are constructed as the input of convolutional neural network; Second, the hidden layers with multiple-layer convolution and pooling are constructed, and simultaneously, the model parameters are find tuned by using back propagation; Finally, softmax method is used to conduct the classification about fire recognition. To save the training time, we utilize GPU to construct training and test models. From public fire dataset and Internet, we collect 7000 images for training and 4494 images for test, and then run experiments with the comparison of four baseline methods including deep neural network, support vector machine based on scale-invariant feature transform feature, stack auto-encoder and deep belief network. The experimental results show that the proposed method is more capable of restoring the features of input image by means of hidden output figure, and for various flame scenes and types, the proposed method can reach 98% or more classification accuracy, getting improvement of around 2% than the traditional feature-based method. Also, the proposed method always outperforms other Deep Learning methods in terms of ROC curve, recall rate, precision rate and F1-score.     

从“非正规绿地”到“社区食物微森林” ——社区非正规种植空间公共资源化利用研究

：非正规绿地中居民自发的果蔬种植行为长期困扰社 区空间治理,个体种植行为影响社区公众利益构成焦点问题。 如何趋利避害,将非正规绿地中的自发种植空间转化为社区公 共服务产品产出场所,适应非正规绿地自发种植空间内在机理 与现实问题的空间设计策略值得研究。通过自发种植行为实地 调研,发现非正规绿地的“阈限性”特征和弱势群体的空间诉 求是引发非正规种植行为、产生负外部性影响的根本原因。进 而推倒得出“明确空间功能”,促进“多元化主体参与”和 “复合功能共享”的负外部性治理思路。借鉴食物森林理论, 通过理论调适应用于非正规绿地自发种植空间,从而形成适应 中国社区非正规绿地本底环境的“社区食物微森林”复合功能 公共产品输出路径,从“食物+生态、景观、休闲”复合功能 的微森林营造技术和长效治理机制两方面,有效回应了我国非 正规绿地的现状问题与社区本底环境诉求,对社区非正规绿地 自发种植空间治理具有参考价值。     

基于深度学习的公共空间人群行为可视化研究—以天津大学卫津路校区为例

公共空间是当代城市的重要组成部分,基于人群空间行为的研究可为其优化设计提供参考.当前,利用视频数据获取行人轨迹进而评估公共空间的研究方法开始出现,但使用的方法具有运算速度慢,无法实时获取结果等缺点.使用Python编写基于深度学习的计算机视觉算法,可实时获得研究场地上行人的轨迹数据.以天津大学卫津路校区内的3个公共空间...     

复杂环境公路隧道裂缝快速识别与分割算法研究

随着我国公路隧道由建设为主朝建养并重转化,在运营里程快速增长与既有隧道劣化加剧的双重作用下,移动检测及结构安全快速诊断已成为目前公路隧道运营维养领域的研究热点之一。我国已研发了多种类型的隧道检测车,为裂缝、渗漏水等表观病害的快速检测提供了手段,然而公路隧道衬砌图像背景复杂、干扰因素多、裂缝占比小的特点,给检测数据的快速分析带来巨大挑战,已成为制约技术推广的主要瓶颈。基于深度学习算法,本文提出了一种将目标识别与语义分割进行组合的裂缝快速提取方法,首先采用Faster R-CNN网络对原始衬砌图像进行目标识别,判定所采集图片是否存在裂缝并智能框选出裂缝区域;随后对框选出的裂缝区域自动裁切,由此过滤不含裂缝的图片并去除含裂缝图片中的干扰背景,再利用U-Net语义分割网络对裂缝进行像素级分割。通过实际工程验证发现,单幅图像裂缝整体分割时间小于0.15 s,在常见各类干扰因素下,目标识别F1值可达到92%,语义分割像素准确度可达到98%以上。与阈值分割和同类智能分割算法相比,本方法显著提高了识别速度与精度,为从隧道检测车海量数据中进行快速准确的裂缝提取提供了良好手段。     

When green is grievous: downsides in human-nature interactions in informal urban settlements

Considering how poor households relate with natural ecosystems is crucial to achieving environmentally sustainable low-income communities in South Africa and beyond. This paper presents negative experiences associated with residents’ interactions with, perceptions of, and appropriations of natural ecosystems and green spaces in informal settlements in Johannesburg. In-depth interviews with residents in two communities, key informants, and transect walks were used to identify problems associated with domestic gardens and vegetation in riparian and non-riparian open spaces. Inadequate services and infrastructure exacerbates these problems. This work contributes to knowledge regarding undesirable aspects of green infrastructure in the context of urban poverty. Understanding the downsides in human-nature interactions can usefully inform ecologically sound intervention in low-income informal urban areas.     

城市绿地环境质量评估工具综述

城市绿地环境质量评估工具被广泛应用于探究空间特征与体力活动的关系,成为城市规划、公共健康、体育科学领域的研究热点。使用文献计量法、荟萃分析法,梳理了9项城市绿地环境质量评估工具,总结了评估工具的应用方式、适用范围及优劣异同。首先,城市绿地环境质量评估工具的开发始于21世纪初期,经历了探索期、发展期和活跃期,工具评估范围涵盖城市公园、步道空间和邻里绿地,主要评估方法包括系统性观察、远程评估和主观感知法;其次,基于尺度差异归纳了普遍使用的8项一级指标和58项二级指标,一级指标包括交通环境、周边环境、娱乐设施、便利设施、自然品质、维护管理、艺术审美以及安全保障;最后,探讨了常见工具的实际应用情况,为多学科的互相借鉴与融合提供基础。     

四类常见边坡岩石类别识别和边界范围确定的方法

岩质边坡岩石的分类与边界范围的确定对于边坡稳定性的分析至关重要,目前人工方法效率低且受主观因素影响,所以基于Tensorflow建立了岩质边坡图像集分析的卷积神经网络模型,通过卷积操作和池化操作分别对80000张岩质边坡图像进行特征信息的提取和压缩,然后对网络模型进行训练从而实现了岩质边坡岩石的自动识别与分类;采用训练集和测试集中的岩质边坡图像对模型进行检验分析,训练集准确率达到了98%,测试集准确率达到了90%,显示了训练之后的网络模型具有良好的鲁棒性,达到了理想的训练效果。接下来以边坡不同岩石的颜色为主要区分依据,利用深度学习回归操作对岩质边坡不同种类岩石的范围进行确定,为验证算法效果,选取标准彩色岩质边坡图像进行仿真试验,边界检测效果准确。最终采用深度学习建立的网络模型,实现了岩质边坡岩石识别与边界范围划分的快速化、自动化,为后续将图像识别获取的岩质边坡信息导入团队自主研发的GeoSMA-3D软件中,作为对岩质边坡等级判定的重要参数。     

全景绿视率自动识别和计算研究

绿视率是用于绿色空间感知的直观评价标准，传统研究的绿视率多基于平面影像进行计算，不能完全反映三维空间中人对绿量的主观感受。基于全景影像，提出全景绿视率的概念，通过全景相机获取球面全景照片，将等距圆柱投影转换为等积圆柱投影，利用基于语义分割的卷积神经网络模型，自动识别植被区域面积以实现全景绿视率自动化识别和计量。通过比较5项卷积神经网络模型对绿视率的识别效果，显示出Dilated ResNet-105神经网络模型具有最高的识别准确度。以武汉市武昌区紫阳公园为例，对各级园路和广场的全景绿视率进行计算和分析。将卷积神经网络的识别结果同人工判别结果进行对比研究，结果显示：使用Dilated ResNet-105卷积神经网络对绿植范围识别的平均交并比（mIoU）为62.53%，与人工识别的平均差异为9.17%。全景绿视率自动识别和计算可以为相关研究提供新的思路，实现客观准确、快速便捷的绿视率测量评估。