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。     

基于迁移学习与VGG16深度神经网络的建筑物裂缝检测方法

针对传统的裂缝检测方法存在裂缝样本数量少、检测效率低下、准确率不高等问题,本文提出了一种迁移学习与VGG16深度神经网络相结合的新型裂缝检测方法.该检测方法主要包括三个步骤;首先将获取的裂缝图像进行缩放、裁剪、翻转等预处理来进行数据集的增强;其次在ImageNet数据集上进行网络的预训练,并将VGG16深度神经网络作为...     

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。     

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。     

基于视觉注意机制深度强化学习的行人检测方法

结合视觉注意机制,并用深度强化学习训练视点选择模型,模拟人类视觉搜索局部关键部位,提出了新的行人检测方法,通过视点选择模型生成聚焦图像,不断地叠加搜索关键区域,由检测网络对关键区域进行行人判别,并通过信息熵度量检测结果的可信度,作为奖赏通过深度强化学习优化视点选择模型。视点选择模型和检测网络协同迭代训练,使该方法具有很强的局部关键区域选择和判别能力,减少了形变和遮挡的影响。与经典的基于部位的行人检测方法在公开的行人检测数据集进行对比实验,结果表明,所提出的行人检测方法可以有效地提高行人检测精度。     

基于深度全卷积神经网络的图像识别研究

将要建立多层卷积网络模型，并使用AlexNet预训练模型，在此基础上进行迁移学习，使用kaggle的猫狗数据集进一步训练，模型最终能高灵活度、高准确率的识别猫狗图像，并且不受图像中猫狗的占比大小影响。该网络模型共有6 000万参数，一共包含8个卷积层，其中某些卷积层带有归一化层和池化层，最后一层是具有两个通道的图像输出，每个通道的值分别代表图像为猫和狗的概率。整个网络模型，弃用全连接层，选用全卷积网络来代替全连接层，大大提高网络的灵活性，解决了输入图像分辨率的限制问题，并且全卷积网络的前向传播更加高效，加快了训练的速度。为了方便分析以及进一步的研究，将可视化一层卷积和二层卷积所得到的卷积核和特征图。