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。     

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。     

一种冲击地压多参量前兆信息辨识模型及方法

 针对冲击地压预警困难这一难题,基于地音监测提出一种新的前兆信息辨识模型及方法。在固定大小的时间窗口内对地音监测信号进行时频域特征提取,得到11个表征冲击地压灾害前兆的多维特征向量,以实际地音监测数据为训练样本,基于SVM理论建立冲击地压多参量前兆信息辨识模型;提出一种新的SVM学习方法,用于解决工程实际应用中的大规模不平衡数据集训练问题,提高SVM分类准确率及速度。利用地音实测数据作为学习样本对支持向量机进行训练,建立相应的前兆辨识模型进行辨识,准确率达到93.87%。实验分析表明,这种方法有效可靠,样本辨识速度快,能够满足在线监测要求,具有工程应用前景。     

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。     

人工智能在建科标准系统中标准分类的应用

为了提高建科标准系统标准分类的效率和准确性,本文分别采用朴素贝叶斯分类方法和多种深度神经网络分类方法,对30多万个中文标准进行分类训练和分类测试,结果显示采用深度神经网络Kmaxcnn模型分类准确率最高达到81.2%,实验结果表明,利用该模型可以对建科标准进行高质量的分类,节约了人力成本,大幅提高了效率。     

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。     

基于轻量化深度学习Mobilenet-SSD网络模型的海珍品检测方法

为精确掌握水下海珍品养殖分布情况,摆脱传统上依赖人工潜水了解海珍品情况的方式,提出了一种基于轻量化深度学习的Mobilenet-SSD网络模型并用于海珍品检测,该方法对在渔船下方的水下摄像头所采集的海珍品图像实时进行目标快速检测。结果表明:采用本研究中建立的Mobilenet-SSD模型,在海胆、海参、扇贝等3种海珍品上建立数据集进行训练,可实现水下海珍品的精确识别,海胆、海参、扇贝的识别准确率分别为81.43%、86.02%、89.44%,总体平均准确率为85.79%;将Mobilenet-SSD网络模型分别与Tiny-YOLO和VGG-SSD网络模型进行比较,在相同设备上,Mobilenet-SSD网络模型相较Tiny-YOLO网络模型能更好地利用目标特征,同时较VGG-SSD网络模型节约80%的用时,实现了准确性与实时性的兼顾。研究表明,本研究中构建的Mobilenet-SSD网络模型,可用于水产养殖环境中水下海珍品的准确识别。     

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%。     

基于合成点云与深度学习的建筑构件智能识别方法

本文研究了利用三维建筑信息模型生成的合成点云来训练深度学习算法以实现建筑构件智能识别的可行性。为了实现这一目标,本文首先提出了一种通过三种常见的商业软件将建筑信息模型转换为合成点云的原始方法。然后使用这些合成点云作为模拟数据集来训练深度学习模型,比较在不同数据集(真实数据集与合成数据集)下训练模型的智能识别性能,以验证合成点云数据集的有效性。实验结果证明了利用建筑信息模型生成的合成点云实现智能识别的可行性,合成数据集与真实数据集的训练模型其识别准确率仅相差3%,进一步表明了在智能识别中使用合成数据集代替真实数据集的可能性。该方法也为研究人员提供了一种新的方法来构建特定的数据集,用于他们自己的智能识别与语义分割研究,并为三维重建工作做出了贡献。     

基于迁移学习的公路边坡滑塌识别研究

自动化拍摄代替人工进行边坡滑塌病害巡查是近年来的新趋势,本文提出基于迁移学习的边坡病害识别方法。首先采集3000余张边坡病害照片,并将样本量扩充了7倍后划分为70:30的训练集与验证集。然后基于预训练目标识别模型,更新模型目标推荐模块,建立了多个Faster R-CNN框架下的目标识别模型。然后结合模型误差随机梯度下降等训练策略,完成模型训练。分别以目标框内病害的判别概率大于90%、80%、70%作为识别依据,计算准确率、召回率,在验证集上验证模型效果。发现：降低目标识别框的类别概率阈值要求后,边坡病害的漏判率有明显下降,准确率降低。训练效果最好的Faster R-CNN ResNet-50 FPN模型以大于70%概率作为识别目标标准时,对验证集的漏判率低于4%。适当放松准确率要求,模型漏判率随之降低,对缺陷、异常的图像识别具有实用价值。