基于全卷积神经网络的桥梁裂缝分割和测量方法

为了提高桥梁病害检测自动化水平,解决当前人工检测耗时费力和传统图像分割方法存在去噪效果不明显、分割后裂缝连续性较差等问题,提出了一种基于全卷积神经网络的BCI-AS(Bridge Crack Image-Automatic Segmentation)桥梁裂缝自动分割模型和一种基于投影技术的最小二乘拟合中心线的裂缝宽度测量算法。基于BCI-AS的模型对桥梁裂缝图像数据集进行了精确的像素级分割,分割准确率达到94.45%。基于投影技术最小二乘拟合中心线的算法对分割的裂缝二值图进行了宽度测量,结果表明相对误差在7%以下,证明了所提出具体算法对裂缝分割和裂缝宽度计算的可行性。     

基于卷积神经网络的图像语义分割技术

本文阐述了卷积神经网络的基本概念,并基于此引出全卷积神经网络和带孔卷积等卷积神经网络,对其含义、优缺点及其在图像语义分割中的应用进行了进一步的介绍和总结。本文阐述了卷积神经网络的基本概念,并基于此引出全卷积神经网络和带孔卷积等卷积神经网络,对其含义、优缺点及其在图像语义分割中的应用进行了进一步的介绍和总结。     

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。     

基于FCN的岩石混凝土裂隙几何智能识别

裂隙几何的精准、高效识别是建立岩石混凝土材料非连续力学模型的基础。传统算法,如阈值分割、边缘检测与区域生长法等,基于有限经验,工作量大且识别精度低。人工智能识别迥异于人类经验,可自我循环、可自我正反馈甚至可实现自我学习。人造类材料中混凝土性能最接近于岩石,具有相似的裂纹几何分布特征。针对天然岩石与混凝土裂隙识别,尝试提出基于全卷积神经网络的智能识别算法。首先建立基于混凝土3种应用场景(建筑结构、路面及隧道表面)的裂隙数据集,经过卷积操作、池化操作与反卷积操作实现了误差值的迅速收敛。引入新的卷积核参数,架构新的全卷积网络,基于像素的二分类问题,利用查准率与查全率对识别模型进行评价,全卷积神经网络识别算法评价指标较好。进而结合矢量化算法,实现了裂隙几何长度、宽度及面积的实时统计。最后对边缘检测、大律法、区域生长法及全卷积神经网络算法进行了验证,任意选取5组图像进行识别,新算法提取的裂隙与标签图在定性上最相近,并且在定量上查全率与查准率也极大优于传统算法。全卷积神经网络随着自我学习的深入还可不断提高识别精度,降低误差,未来在岩石、混凝土等工程领域的应用具有巨大生命力。     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

基于目标检测卷积神经网络的图像型火灾探测算法

摘 要：针对传统图像型火灾探测算法误差率高、延迟探测、计算量大等问题,提出了基于目标检测卷积神经网络（Faster-RCNN、R-FCN、SSD和YOLO v3）的图像型火灾探测算法。通过对比实验表明,基于目标检测卷积神经网络的探测算法准确性较高。其中,YOLO v3探测算法的平均精度为84.5%,探测速度为28帧/s,具有更高的稳定性,更适用于图像型火灾探测系统的开发。     

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。     

基于神经网络算法的人脸识别

本文基于神经网络算法在人脸识别中的应用进行了研究,结果表明当前神经网络算法人脸识别算法分为:卷积神经网络人脸识别、循环神经网络人脸识别。     

结合超体素几何和色彩信息的快速3D点云分割

针对当前最先进的算法也存在因物体之间堆叠和遮挡关系造成场景分割速度慢、精准度低等问题,提出了一种新颖的快速3D点云分割方法,从点云的超体素划分开始,利用一种捕获几何和颜色信息的新度量标准合并超体素,以获得维持分割区域层次结构的3D分割;该方法还具有与输入点云大小呈线性相关的时间复杂度。与凹凸性方法和基于边界的方法相比,所提出的算法的分割精确度和效率更好。     

改进的深度卷积神经网络对T波分类的应用

针对心电信号T波分类问题和深度卷积神经网络(deep convolutional neural networks,DCNN)出现的过拟合问题,提出了一种改进的深度神经网络算法,通过引入Dropout概念优化网络训练过程,提高算法的泛化能力。就分类准确率、训练次数、卷积核、算法的泛化能力4个方面进行实验对比,结果表明:在分类准确率方面,所提算法的标注结果与专家人工的标注结果接近,且标注重复率均可达98.9%以上;在训练次数方面,可有效减少训练次数,且测试集识别率可达99.31%;选择合适的卷积核个数,最终的测试集识别率可达99.31%。所提算法与BP神经网络、循环神经网络(recurrent neural network, RNN)、DCNN这3种方法相比较,可有效降低DCNN的过拟合问题,提高算法的泛化能力。