基于多标签卷积神经网络的结构损伤识别

准确识别结构多位置损伤一直是结构损伤识别的难题。为提升结构多位置损伤识别的准确率,提出一种基于卷积神经网络(CNN)的多标签分类(MLC)方法(CNN-MLC)进行结构损伤识别。该方法将结构多个位置损伤识别转换为多标签分类问题,每个损伤位置均用一个对应的标签表示;利用CNN强大的特征提取能力,深入挖掘不同损伤工况之间公共损伤位置的相关性,实现结构多位置损伤识别。通过四层框架结构和一座铁路连续梁桥多位置损伤识别验证了CNN-MLC方法的识别准确率,并将其识别结果与基于CNN的多类别分类(MCC)方法(CNN-MCC)和基于示例差异化算法(InsDif)的多标签分类方法(InsDif-MLC)进行了对比。结果表明：框架结构在两位置和三位置损伤工况下,CNN-MLC方法比CNN-MCC方法的识别准确率分别提升2.50%和9.64%,比InsDif-MLC方法识别准确率提升17.50%和29.28%;对于铁路连续梁桥的两位置损伤和三位置损伤,CNN-MLC方法比CNN-MCC方法识别准确率提升1.63%和6.85%,比InsDif-MLC方法识别准确率提升4.18%和18.49%;随着损伤位置...     

一种混合式图像特征检测与匹配算法研究

基于图像的三维重建近年来成为摄影测量和计算机视觉等学科的研究热点,其关键技术是将图像中的特征点进行提取和匹配,本文提出了一种混合式的图像特征检测与匹配算法。混合算法基于传统的Harris角点检测算法和SIFT算法,通过降采样构建图像尺度空间并提取Harris角点,采用综合图像色彩标准化算法(CCIN:Comprehensive Color Image Normalization)预处理图像,计算三色通道下的SIFT描述子,并二值化,最后通过欧式距离作为相似形度量实现两幅图像特征向量的匹配。在MATLAB 2014平台上实现混合算法,测试3组不同图像,结果表明,混合算法提取的特征数量优于Harris算法和SIFT算法,且特征分布均匀,采用了具有色彩属性的描述子,特征匹配正确率达到了90%以上。混合算法能提高特征提取的数量,提高特征匹配正确率,为后期三维重建建立基础。     

基于自注意力的排水管道缺陷检测方法

排水管网是城市的生命线。人工检测的方法,费时费力,效率低下。传统计算机视觉算法和机器学习算法仅分析了少量缺陷特征,无法满足排水管道检测准确度要求。针对以上问题,本文提出了一种基于自注意力的排水管道缺陷检测方法。该方法采用自注意力机制代替了卷积神经网络作为特征提取器,通过多层感知机和Softmax函数为缺陷图像预测分类标签,提高了排水管道缺陷检测的准确度。对比经典的卷积神经网络算法,本模型的准确度最高。以上研究证明了自注意力算法在排水管道缺陷图像分类领域的可行性,提高了检测的准确度,为排水管道检测提供了一种新思路。     

基于注意力机制和深度学习模型的外来海洋生物命名实体识别

为解决因外来海洋生物领域实体复杂且实体间存在嵌套导致命名实体识别效果较差等问题,提出基于融合注意力机制的卷积神经网络(CNN)-双向门控循环单元网络(BiGRU)-条件随机场(CRF)网络模型进行外来海洋生物命名实体识别,并构造词向量、词性特征向量等特征作为网络模型的联合输入,以提升网络模型识别效果。结果表明:使用融合多特征向量的CNN-BiGRU-CRF网络模型对外来海洋生物名称实体、时间实体、地名实体3类实体上的命名实体识别结果平均准确率达到了90.62%,平均召回率达到了89.50%,平均F1值达到了90.05%,较传统命名实体识别方法均有较大提高。研究表明,本研究中提出的网络模型可以充分提取文本特征,解决了文本的长距离依赖问题,对外来海洋生物领域的命名实体识别具有较好的识别效果。     

基于动态结构保持主元分析的故障检测方法

为充分利用表征过程运行工况的数据特征信息,提高化工过程的故障检测性能,提出一种基于动态结构保持主元分析(DSPPCA)的过程故障检测方法。首先对原始数据采用变量相关性分析建立自回归模型,构建包含动态特征的数据集,进一步综合考虑主元分析法(PCA)和局部线性嵌入(LLE)流形学习算法中数据点之间的近邻关系,融合得出新的目标函数,同时,运用局部线性回归的方法获得高维样本的嵌入映射,特征提取后在特征空间和残差空间分别构造监控统计量进行故障检测。Swiss-roll数据集的降维结果及TE过程的仿真研究结果表明,DSPPCA算法可以取得较好的特征提取效果,具有较高的故障检测性能。     

基于改进YOLOv4的公路路面信息识别算法研究

公路路面信息的获取和识别是构建智慧公路系统的关键技术之一,针对现有的公路路面信息检测算法存在的耗时费力、识别精度差与端对端应用难以实现等问题,提出了一种改进的YOLOv4算法。为增强模型泛化能力,以IoU值度量边界框与先验框的距离,形成改进的k-means聚类算法对路面遗撒与病害数据集进行锚框聚类;为提升网络特征描述能力,在特征增强网络PANNet的最后3个分支上分别添加兼具通道与空间注意力机制的轻量化CBAM模块,保证了模块在现有网络架构中做到即插即用;为节约参数与计算力,对稀疏训练后的模型进行通道剪枝,针对道路检测任务对于小目标物体的高识别精度要求进行模型剪枝率的迭代优化,进一步实现公路路面信息识别算法的端对端应用。实验结果表明,改进的YOLOv4网络模型的m AP@0.5较原网络模型提升了0.78%,m AP@0.75较原网络模型提升了1.06%,FPS达到了34.85帧/s,检测效果满足自动识别的性能要求;0.4的剪枝率得到的剪枝模型综合性能较好,在保证模型的m AP@0.5达到98.3%的条件下,储存空间较原模型降低了47.6%,GFLOPs较原模型降低了34.0%,参数总数...     

姿态检测网络在服装关键点检测中的应用

为了提供全面且精度较高的关键点用于确定服装的具体轮廓,提升服装配准和检索的精度,运用估计人体姿态的深度神经网络卷积姿态机(convolutional pose machine,CPM)建立模型,对数据图片进行色度等增强,利用高斯核函数建立图片真实标签,并且仿照特征金字塔改变前端网络结构,对模型进行训练。实验结果表明:卷积姿态机可以有效地应用于服装关键点检测;与其他模型相比,能够检测单个人全身的穿着及5种不同类别的服装,提升裤子或者衬衫等大种类的检测精度为1%。     

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。     

高分二号卫星影像中城市建筑物阴影检测方法

针对阴影在检测过程中易与水体、深蓝色地物、深灰色道路混淆的问题,对高分二号卫星(GF-2)影像中的典型地物纹理和光谱信息进行统计分析,提出一种基于多尺度分割和随机森林分类的阴影提取算法。通过选取样本数据的阴影指数、亮度、逆差矩、熵、对比度等12个对象特征构建随机森林分类模型,精确提取阴影区域。实验结果显示,本文所提阴影提取算法可以有效地对阴影进行识别,对2个研究区的提取精度分别达到了95.26%和94.35%,可有效解决单一特征下阴影不易与其他地物区分以及阈值分割过程中阈值不易确定的问题。     

基于改进TFIDF特征加权算法的95598投诉工单分类实现

分析了传统朴素贝叶斯算法、TFIDF特征加权算法在文本分类建模应用上的缺陷,在此基础上提出了TFIDF的优化算法,并分别采用传统朴素贝叶斯算法、基于TFIDF的朴素贝叶斯算法、基于改进TFIDF的朴素贝叶斯算法分别对某供电公司投诉工单进行了分类建模。研究结果表明,改进TFIDF算法能在TFIDF算法的基础上进一步提升分类器的性能,投诉工单分类准确率达到93.03%,较传统朴素贝叶斯算法提升了4个百分点。