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。     

基于深度神经网络的二维流体模拟

提出了一种将深度神经网络与流体模拟相结合的新方法。将具有更多湍流细节的高精度流体模拟结果看作图像中的"风格",利用训练好的深度神经网络的中间层提取特征信息。采用图像风格化技术,将高精度流体模拟结果的湍流信息迁移到低精度流体模拟结果中,使得低精度流体模拟结果同样具有丰富的湍流细节,实现了超分辨率的效果。实时完成低精度流体模拟和湍流迁移,实现了实时的高精度流体模拟。利用流体模拟中的速度信息保证流体模拟在时域上的连续性,使得整个模拟的结果更为真实。采用可以适用于任意风格输入的自适应的实例归一化(adaptive instance normalization,AdaIN)风格化技术,实现了流体模拟的艺术风格控制。     

基于LS-SVM的岩石细观图像分析方法探讨

为了解决岩石细观力学试验中图像处理过程复杂、质量不高及操作效率低等问题,将LS-SVM的分类方法与数字图像处理的阈值分割法相结合,提出了人机结合的岩石细观结构图像系统分析方法.该方法将图像分割问题转化为分类问题,通过对训练样本的学习,生成可将试验图像分类的LS-SVM分类机,从而提取岩石细观力学试验中得到的感兴趣区域的特征图像以及量化细观结构.对花岗岩图像进行处理,处理后的结果表明,该方法可以获得高质量的岩石细观图像处理结果,处理准确率达到96.82%.采用三步搜索法选取参数,能在保证图像处理质量的前提下提高参数选取速度;对训练样本进行稀疏化处理,可以提高分类效率,缩短分类时间;为了减小人为因素的影响,训练图像的选取应具有代表性,且在生成训练目标前需进行图像后处理.     

基于深度学习的VGG16 图像型火灾探测方法研究

为了快速、有效地检测不同场景下的火灾信息,基于深度迁移学习设计了一种改进VGG16 的图像型火灾检测方法。搜集不同场景下的照片,使用离线数据增强技术增加样本数量,对VGG16 进行改进,并使用迁移学习的方法训练火灾识别模型。结果表明：改进的VGG16 网络对于火灾现场的图片分类识别准确率为98.7%,优于Resnet50 网络和Densenet121 网络,可快速、准确地检测到火灾信息。     

基于Faster R-CNN和图像增强的水下鱼类目标检测方法

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一次迁移学习初步训练网络,然后固定检测模型低3层的卷积网络参数,再用水下拍摄的小规模鱼类数据集进行二次迁移学习微调网络,最后通过MSRCR算法对水下拍摄图像进行处理以增强其与高清鱼类图像的相似性,解决水下图像降质问题,让二次迁移学习高效进行。结果表明,该方法利用小规模水下拍摄鱼类数据集训练出的网络查准率可达到98.12%,网络检测能力及后续提升能力优于传统机器学习方法,并能够实现鱼类目标的快速检测,本研究结果可为深海探测作业与海底鱼类等生物资源的监测、保护和可持续开发等工程应用提供一定的参考。     

基于X-ray CT技术的沥青混合料三维数值模型

运用MATLAB软件获取CT图像的数字信息,利用MATLAB语言构造出一系列M函数,用于显示、处理获取到的CT图像的图像数据,将得到的数据图像信息导入有限元软件ANSYS,建立了沥青混合料三维细观结构有限元模型,分别包括集料、空隙和沥青胶浆的模型,建立生成的模型与真实的模型更加接近,并对模型进行了有关的数值模拟。通过对比分析真实沥青混合料试件与数值模型内部结构中不同组分之间的差异,来验证模型的准确性。     

一种基于深度信息的图像雾效模拟算法

在已知的图像场景深度信息和大气散射模型的基础上,提出了一种基于深度的图像雾效模拟算法。算法引入了最大能见度概念,通过场景深度与雾透射率之间的比例关系将深度图直接转化为透射率图,使用引导滤波对透射率进行优化,最终通过大气散射模型生成雾效模拟图像。实验表明,算法所生成的雾效场景符合空间透射原则,在不同的能见度和大气光结合的条件下可获得变化丰富的有雾效果,具有较强的真实感。     

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。     

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络（StyleGAN）,提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型（SqueezeNet网络）实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%（对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%）。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。     

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。