基于样式生成对抗网络的风景园林方案生成及设计特征识别

【目的】人工智能算法能否有效习得风景园林设计特征是一个值得探讨的问题。【方法】采用样式生成对抗网络2代（style generative adversarial network2, StyleGAN2）算法,通过算法训练生成风景园林设计方案;之后拆解StyleGAN2算法中的w向量,采用主成分分析（principal component analysis, PCA）降维方法和无监督学习K均值聚类方法可视化w向量特征;最后根据w向量的数据特征和生成结果的关联,分析算法对设计方案特征的提取能力。【结果】StyleGAN2可以为不同类型的场地生成高质量和多样化的设计方案,并且可以识别和提取一些高维抽象设计特征,如植被密度、水域面积、铺装面积、道路网络结构等。【结论】神经网络不仅可以识别图像形态特征,还可以在没有人类指导的情况下,无监督学习识别部分抽象的高维设计特征。但目前大部分设计特征耦合性较高,这是风景园林工作的复杂性和算法低可解释性共同导致的,需要未来进一步探索。     

基于生成对抗网络的深度Q学习空调冷负荷预测算法

针对传统预测算法在商场空调冷负荷预测中存在数据样本不足和预测精度低的问题,提出了一种基于生成对抗网络的深度Q学习的算法预测商场的空调冷负荷.利用生成对抗性网络生成与历史冷负荷数据相似的冷负荷数据,通过生成对抗网络解决真实负荷数据样本不足的问题.然后,利用深度Q学习网络预测未来时刻空调冷负荷数据.为了验证算法的有效性,以...     

生成对抗网络在建筑设计领域的应用研究综述

随着计算机科学的发展,人工智能应用渗透各个领域。为探究生成对抗网络在建筑设计领域的应用,本文将现有的国内外相关研究成果按照不同主题,分为建筑设计与生成、设计优化与预测、建筑风格转换与设计灵感、数据增强与评估四大类,并在此基础上,分析生成对抗网络在建筑设计领域的发展现状与未来的研究趋势,提出其未来可能的应用方向与潜在挑战,为研究者提供新的思路和灵感,从而推动建筑设计领域的创新和发展。     

基于深度学习的排水管道缺陷内窥检测智能识别系统研究

目前国内各城市已普遍采用管道机器人深入管道内部摄取视频影像,有效获取到可供管道缺陷检测的一手资料,但缺陷识别大部分依靠人工目视识别,耗时耗力,生产周期长。利用福州市勘测院多年累积的管道检测数据,基于Pytorch深度学习框架、建立了排水管道缺陷内窥检测智能识别系统,包括:数据预处理,残差神经网络设计与训练、系统集成等。重点实现了三级组合识别模型建构(二分类,类型识别,等级识别),解决了系统准确度等技术难题。经生产实践表明:模型准确率高,可有效提高管道健康状况检查质量和效率。     

基于生成对抗网络的三维节点实体模型生成方法

三维实体模型的智能生成技术是结构智能设计的核心环节。为了克服这一关键技术难题,实现结构的智能设计,提出了一种结合3D生成对抗网络(GAN)与逆向工程技术生成三维节点实体模型的方法(3D-JointGAN)。首先阐述了该方法的基本思路、相关理论和具体实现过程;然后应用该方法对实际工程的三分叉铸钢节点进行智能生成设计,并将评估筛选出的代表性节点与焊接空心球节点、仿生节点和拓扑优化节点的受力性能指标进行对比分析;最后通过3D打印技术制造出代表性节点的缩尺模型,验证了智能生成结果的可制造性。研究结果表明：基于GAN的节点模型生成方法具有强大的生成和优化能力,不仅可生成创新的、高逼真度的多种三维实体模型,并且评估筛选的代表性节点具有更优异的受力性能,其中代表性节点a、b、c相较于初始节点质量降低了22.42%、26.82%、22.62%,最大位移降低了43.71%、38.34%、42.49%,最大等效应力降低了8.29%、5.28%、6.94%。     

基于生成对抗网络的图像处理及应用

本文主要采用生成对抗网络对运动模糊图像进行端对端盲复原方法进行简析。在图像的获取到使用过程中,多种因素会导致图像产生降质,如相机对焦问题会导致散焦模糊,成像系统的退化因素会导致高斯模糊等,成像系统和拍摄目标间的相对运动会导致运动模糊。而拍摄时抖动导致的模糊是导致图像质量下降的最主要因素。通常,减小运动模糊导致图像退化的影响的方案有两种,第一改善拍摄时的物理条件,如减小成像系统与拍摄目标间的相对运动。第二利用图像复原技术,通过图像复原算法提高图像质量。近年来利用生成对抗网络用于图像处理领域,在图像超级分辨率等相关问题取得了显著进展。2014年Goodfellow等提出了生成对抗网络,建立两个竞争网络,生成器用于接收噪声作为输入生成图像,鉴别器接收真实图像和生成图像,并试图区分它们,通过两个网络的对抗竞争,实现模糊图像盲复原。该方法在结构相似性测量及可视化表现方面实现了较高水准。     

基于计算机视觉的钢结构表面缺陷智能识别研究综述

我国是钢结构工程建造量和保有量最多的国家,传统的钢结构缺陷工程诊断方法已无法满足当前的需求。而随着计算机技术的快速发展,将人工智能引入工程诊断领域逐步成为研究热点。根据对国内外研究现状的总结,提供了常见的钢结构表面缺陷基于计算机视觉的智能识别方法的研究综述,并结合国内实际情况总结出一套通用的技术框架。首先总结了表面缺陷智能检测与识别的通用流程,即：图像采集、目标提取和缺陷识别,然后以此为框架介绍了计算机视觉各种方法的内容和原理。接下来分别介绍了钢结构三种常见表面缺陷：高强螺栓缺失与松动、表面锈蚀、表面裂缝智能识别技术最新的研究进展和当前方法的不足。最后讨论和展望了基于计算机视觉的表面缺陷智能识别未来的研究方向。     

排水管道缺陷内窥检测智能识别系统研究

目前国内各城市已普遍采用管道机器人深入管道内部摄取视频影像,有效获取到可供管道缺陷检测的一手资料,但缺陷识别依靠人工目视识别,耗时耗力,生产周期长.本文利用福州市勘测院多年累积的管道检测数据,在Pytorch框架下、基于深度学习建立了排水管道缺陷内窥检测智能识别系统,包括:数据预处理,残差神经网络设计与训练、系统集成等.重点实现了三级组合识别模型建构(二分类,类型识别,等级识别),解决了系统准确度等技术难题.经生产实践表明:模型准确率高,可有效提高管道健康状况检查质量和效率.     

基于YOLOv5s的CCTV排水管道缺陷识别方法研究

城市排水管道常出现堵塞、老化、腐蚀、破损等情况,严重影响城市的健康发展和市民的正常生活。通过分析当前排水管道缺陷识别方法的局限性,构建了基于YOLOv5s的排水管道缺陷识别模型,对10种常见的排水管道缺陷进行学习、训练和验证,通过数据收集、数据处理、模型训练和目标检测4个步骤,完成了排水管道缺陷的智能识别。实验结果表明,排水管道缺陷识别模型的多类别平均精确度达到了85.42%（其中错口、异物穿入、渗漏（附着型）和破裂4种缺陷识别的平均精确度分别达到了93.6%、91.7%、91.7%和91.3%）,验证了该模型的有效性。另外,YOLOv5s模型相较于Faster R-CNN模型,多类别平均精确度更高,并且具有模型内存更小、检测速度更快的明显优势,大幅提升了模型的工程适用性。     

基于生成对抗网络(GA N)和NSGA-2遗传算法的汉口滨江居住区采光优化研究

随着人工智能技术在各个领域的广泛运用,越来越多的设计人员开始尝试将人工智能技术的成果运用到城市或建筑设计当中.通过汉口滨江居住区城市数据和人工智能技术控制区域三维模型的合理生成,并对整体区域建筑环境进行环境模拟,达到居住区布局及造型的优化设计的目的,最后通过优化设计案例为设计师提供设计建议.     

基于Mask R-CNN和迁移学习的混凝土道路裂缝智能识别研究

针对传统混凝土道路裂缝检测方法存在人工检测费用高、数字图像处理技术不足等问题,提出了一种基于Mask R-CNN的混凝土道路智能识别算法.首先对小样本数据集进行增广,然后用Mask R-CNN深度卷积神经网络对COCO数据集进行迁移学习,最终实现混凝土道路裂缝实例分割.研究结果表明:开发的智能识别算法识别混凝土道路裂缝...     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

基于生成对抗网络的复合功能体系计算性设计——以职业技术学院校园平面生成为例

选取职业技术学院作为研究对象,建立职校平面的数据集,并基于生成对抗网络进行机器学习和模拟。通过机器学习对平面图的逐步生成和人工优化的工作方式,本研究分为3个阶段,其中包含区域划分、位置确定、形态生成3个步骤。机器学习模型可以快速生成包含主要空间元素互动组合的研究型方案,进而帮助建筑师探讨职校设计的规律性和神经网络的外延性。     

市政工程排水管道施工质量缺陷和应对策略

国家不断加大城市的基础设施建设的力度,使其日益完善,城市道路不断增多以及各种埋于地下管线中的煤气管道、供电线缆、给排水管道等的交错复杂、相互的影响,从而对市政工程排水管道敷设提出了更高要求。在本文中,笔者工作经验,全面分析了市政工程排水管道施工的质量缺陷,并在这个基础上提出应对策略,以供参考。     

生成式对抗网络GAN的研究现状与应用

21世纪以来,在大数据、云计算和物联网等新兴技术不断成熟的大背景下,人工智能得到了第3次井喷式发展。其中,以深度学习为基础的图像处理、语音识别等技术的发展尤为迅猛。而生成式对抗网络是如今深度学习领域中最为前沿也是最令人着迷的领域之一,它自2014年10月被Ian Goodfellow等提出以后,就一直受到人们的广泛关注与追捧。文章从生成式对抗网络的基本原理出发,分析了生成式对抗网络的研究现状及其主要的应用领域,并对生成式对抗网络进行了总结与展望。     

排水管道功能性缺陷的设置分析

针对行业标准《城镇排水管道检测与评估技术规程》(CJJ 181—2012)的发布实施,介绍了功能性缺陷的定义和主要内容。结合香港《管道状况评价(电视检测与评估)技术规程》(第4版),分析、对比了两个规程关于管道功能性缺陷定义的相同和不同之处。     

排水管道结构性缺陷的设置分析

配合行业标准《城镇排水管道检测与评估技术规程》(CJJ 181—2012)的发布实施,介绍了结构性缺陷的定义和分类。结合香港《管道状况评价(电视检测与评估)技术规程》(第4版),分析、对比了两个规程关于管道结构性缺陷设置(缺陷分类、缺陷特征描述、缺陷定级)的相同和不同之处。     

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。     

生成式对抗网络研究综述

近年来,随着生成式对抗网络的迅速发展,尤其图像处理领域表现突出,本文主要介绍了生成对抗网络的基本模型和衍生模型,以及在图像处理领域的应用,包括图像风格迁移、人机交互领域、视频帧预测,文本与图像的相互生成等应用。