基于改进YOLOV3算法的遥感图像油罐检测

针对遥感图像中的油罐检测问题,借鉴深度神经网络的思想,提出了一种基于改进YOLOV3算法的图像检测方法。首先在原有YOLOV3算法框架中添加空间变换网络(spatial transformer networks,STN),使其成为具备空间变换学习能力的模型;然后通过k-means聚类算法对数据集进行分析,重新设计初始候选框大小;最后训练和测试网络,建立包含9 724个油罐目标的遥感图像数据集。实验结果表明:改进的YOLOV3算法具有良好的性能,在测试集中的召回率可达到95.64%,比原算法提升了3.52%;准确率可达到93.92%,比原算法提升了2.81%。     

基于YOLOv4算法从视频图像中监测道路积水

针对城区降雨量多,道路易积水而导致内涝且传统道路积水监测方法耗时耗力、成本高等特点,提出了一种针对城市道路积水的检测方法,基于YOLOv4算法从视频图像中监测道路积水.基于有效提取道路积水深度的目的,采用YOLOv4的目标检测模型对参考目标进行检测的方法,通过合成图像数据集训练的检测模型有效地从图像中检测出参考对象,由检测到的参考对象获得道路积水深度.结合视频图像应用案例表明,利用YOLOv4算法对视频图像进行目标检测,能快速、高效、准确地提取道路积水的深度.     

基于YOLOv4算法从视频图像中监测道路积水

针对城区降雨量多,道路易积水而导致内涝且传统道路积水监测方法耗时耗力、成本高等特点,提出了一种针对城市道路积水的检测方法,基于YOLOv4算法从视频图像中监测道路积水.基于有效提取道路积水深度的目的,采用YOLOv4的目标检测模型对参考目标进行检测的方法,通过合成图像数据集训练的检测模型有效地从图像中检测出参考对象,由检测到的参考对象获得道路积水深度.结合视频图像应用案例表明,利用YOLOv4算法对视频图像进行目标检测,能快速、高效、准确地提取道路积水的深度.     

基于YOLOv5算法的目标检测与车牌识别系统

本文首先介绍了实时目标检测网络(YOLOv5Net)提取车辆图像相关特征并通过训练进行实时目标检测,接着阐述了车牌识别神经网络(LPRNet)对车牌进行实时识别,通过对实时目标检测网络提取的特征进行分析,利用与视觉任务强相关的测试样本集对目标检测模型与车牌识别模型进行测试。实验结果表明,当测试样本场景与视觉任务相关度越高,且样本中车辆目标的形变越小,得到的目标检测模型与车牌识别模型的效果越好,能够为交通车辆识别与管理等作业提供可靠、高效的车辆信息。     

基于鱼眼图像的目标检测算法研究

鱼眼图像在使用前一般会先进行畸变矫正,但畸变严重图像的矫正会降低图像质量。为了提高目标检测精度与速度,文章提出了一种利用单个下视鱼眼摄像头代替多个普通摄像头的目标检测方案。其采用特征金字塔结构检测多尺度物体,并结合下视鱼眼的旋转与畸变特性进行算法优化,直接在原始鱼眼图像上进行目标检测。通过构建下视鱼眼数据集并进行实验,结果显示,所提出的鱼眼目标检测模型不仅精度较高,而且还能在嵌入式设备上快速运行。     

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。     

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。     

基于改进遗传规划的混凝土路面早期裂缝检测算法分析

针对目前在交通道路光照复杂环境下裂缝检测困难、所获得的数据不精准等问题,提出了基于改进遗传规划的混凝土路面早期裂缝检测算法分析,利用集成图像进行光照的归一处理以消除对交通道路的光照影响,并根据道路裂缝图像特征筛选出训练集,再利用遗传规划算法训练图像处理模型,使图像处理模型对裂缝图像进行提取并去除块状干扰,得到最终检测结果。同时,采用MATLAB软件提取混凝土路面早期裂缝图像,通过图像灰度化来提高目标与背景的对比度,采用中值滤波法去除裂缝图像中的孤立噪声;使用遗传规划算法分割裂缝图像,获取收敛阈值;利用标记连通域方法来区分线性和网状裂缝,使用图像投影法自动判别线性裂缝横纵。由实例验证结果可知:基于改进遗传规划的混凝土路面早期裂缝检测算法得出的裂缝宽度与实际统计结果存在最大为2 mm的偏差,因此该算法可为裂缝防治提供技术支持。     

卷积神经网络在桥梁结构表面病害检测中的应用研究

计算机视觉检测方法在桥梁结构检测中的使用极大地提高了检测效率,该方法的核心是图像分析处理。研究了深度卷积神经网络在桥梁结构表面病害图像分类识别上的应用。根据桥梁各类病害的统计,将桥梁结构表面病害归纳为裂缝、锈蚀与缺损三大类。通过迁移学习技术,迁移训练AlexNet卷积神经网络,构建了桥梁结构表面病害自动识别模型。对比了5种训练集与验证集的组合,结果表明训练样本的不同组合对模型训练具有一定影响。在不同验证集上,模型的最高正确率为98.21%,模型训练较好。在模型实际应用中,三种病害图像的识别率分别为裂缝86%、锈蚀82%、缺损70%,具有较高的识别正确率,可用于桥梁结构表面病害的快速识别。     

基于深度学习的居住建筑外墙面损伤检测研究

以Tensorflow 2.0为平台,通过Faster RCNN算法框架建立深度学习模型.以1620张居住建筑外墙面受损照片为数据集.选取其中1296张为训练集,对模型进行有监督训练并测试模型训练深度,324张为测试集校检模型精度.测试结果表明,深度学习模型对居住建筑外墙的污染类损伤检测率为88.82％;裂缝类损伤检测率为90.21％;破损类损伤检测率为90.94％,检测平均耗时为每图0.23s.深度学习检测模型可有效反馈外墙面的主要损伤情况,提高建筑工程管理效率.