深度学习在焊接领域的应用研究现状

随着以深度神经网络为代表的深度学习模型取得突破性快速发展,同时得益于更强大的计算机、更大的数据集和能够训练更深网络的技术,深度学习在智能焊接等智能制造领域取得了大量应用。概述了深度学习技术在焊接过程控制、焊缝缺陷检测等方面的研究进展,当前的研究表明深度学习方法能够提高焊接过程实时控制精度和焊接缺陷的识别准确率。     

基于深度学习的点胶缺陷检测

在工业生产中,主要利用自动点胶机对工业相机底座表面进行点胶,而实际生产中由于自动点胶机工艺水平的限制,胶水不可避免的破裂、胶水的宽度太厚或太细,胶水不足等现象也是屡见不鲜。生产中如果不能及时检测出此类不良产品,将会影响到产品部件之间的连接,进而影响到整个产品的质量。因此,在需要点胶以实现粘合效果的各种应用中,严格控制点胶的质量是非常重要的。传统的点胶质量检测主要依靠手动检测方法,具有工作量大,工作效率低,检测精度不足等缺点,不能满足胶水检测的工业生产需求。为了提高点胶缺陷检测的准确率以及检测的稳定性,在本文中,我们使用深度学习卷积神经网络对胶条进行缺陷检测。通过模型的比较,最终采用LeNet-5卷积神经网络,同时在此基础上进行了改进,使得算法的鲁棒性以及准确率有所提升。     

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。     

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.     

基于深度学习的外物入侵检测方法

本文提出了基于深度学习的外物入侵检测方法。首先,利用单目摄像头收集录像视频,其次,人工把视频转换成一帧一帧的图像,分为无外物入侵和有外物入侵两种,并标注。最后,将数据集放入构建的卷积神经网络模型中训练学习。在数据集充足的情况下,通过大量实验表明:基于卷积神经网络的外物入侵检测方法的准确率能够达到99%,相对于原始的帧差法和光流法。有了很大的提升。     

基于深度学习的太阳能电池板缺陷检测模型设计

太阳能电池板是光伏发电的核心部件,表面质量关系着其使用寿命和发电效率。针对目前太阳能电池板缺陷检测方法存在着检测效率低、周期长、检测缺陷单一等问题,文章设计了一种基于深度学习的太阳能电池板缺陷检测模型SSNBDL,其基本思想是,在Segnet网络框架基础上,使用空洞卷积替代其中的池化层,使得在增大感受野的同时还保留了图像的边缘信息,基于该模型对太阳能电池板缺陷进行检测,明显提高了检测的准确率。     

基于深度学习的目标检测技术在隧道运维中的应用研究

深度学习是人工智能机器学习中一个新的研究方向,是学习样本数据内在规律的技术工具。当前,基于深度学习的目标检测技术在交通事件检测领域的影响日渐显著。随着近年大型城市市政道路的发展,桥梁、隧道在重要交通节点中发挥作用。结合上海桥隧运营管理过程中遇到的实际问题进行分析、研究。基于YOLO+Deepsort目标检测算法,搭建深度学习神经网络模型。采集城市隧道的综合监控系统所产生的交通事件数据,自定义预处理后作为数据集,用于训练、验证模型。训练完成的模型提高隧道工况下检测效率及准确率,解决隧道运维工作中遇到的实际问题。从新的角度尝试隧道监控的智能化迭代,继而替代繁杂的人工操作,为运维决策提供依据。     

利用深度神经网络和小波包变换进行缺陷类型分析

超声检测中对缺陷进行类型分析通常取决于操作人员对于特定专业知识的了解及检测经验,从而导致其分析结果的不稳定性和个体差异性。本文提出了一种使用小波包变换提取缺陷特征信息,并应用深度神经网络对得到的信息进行分类识别的方法。利用超声相控阵系统对于不锈钢试块上的通孔、斜通孔和平底孔进行超声检测,并对得到的超声回波波形按照新方法进行分析。实验结果表明,使用小波包变换后的数据进行分类识别能够在提高识别准确率的同时降低神经网络的学习时间,而使用深度神经网络相比通用的BP神经网络以可接受延长学习时间的代价提高了识别的准确率。采用新方法后,缺陷分类正确率提高了21.66%,而网络学习时间只延长了91.9s。在超声检测中使用小波包变换和深度神经网络来对于缺陷进行类型分析,能够排除人为干扰,增加识别准确率,对于实际应用有着极大的意义。     

基于深度学习的公路隧道表观病害智能识别研究现状与展望

公路隧道服役过程中会产生诸多衬砌病害,其会影响隧道的结构耐久性与运营安全性,对隧道表观病害进行高效智能化识别至关重要。常用的人工巡检方式效率低下且准确率低,而基于深度学习算法进行表观病害智能识别能提高检测的效率和准确性,相较于传统方法而言在实际隧道工程中具有更好的应用前景。利用深度学习可以学习隧道病害的特征信息,有利于未来隧道病害识别智能化的发展。简述深度学习在隧道表观病害识别中的应用原理,从人工拍照方法、数字图像采集和激光扫描技术三方面介绍病害图像的采集,从标注软件和数据增强方法总结数据集的构建和扩充方法,在图像分类、目标检测、语义分割三方面总结深度学习算法在隧道病害检测的应用现状,归纳当前应用的不足之处,最后分析与展望深度学习在隧道表观病害智能化识别方向广泛应用需要研究的问题与方向。     

基于SDAE-DNN的网络异常检测方法

本文针对传统的异常检测方法在处理海量高维度数据时检效果不佳的问题,提出一种融合栈式去噪自编码器(SDAE)和深度神经网络(DNN)的网络异常检测方法。首先,利用栈式去噪自编码器对数据进行特征降维,实现从高维数据到低维数据的非线性转换;然后用深度神经网络对数据进行分类。采用NSL-KDD数据集的实验结果表明,与与其他异常检测方法相比,SDAE-DNN模型性能要优于其他方法,取得了更好的检测效果。     

基于深度学习的疑似违法图斑快速检测研究

无人机监测是当前城市违法建设和违法用地问题治理的重要手段,但传统人工识别的方法费时费力,越来越难以满足治理需求.本文针对这一问题,研究了基于深度学习卷积神经网络模型的城市违法建设和违法用地快速检测方法:首先,分析了违法建设和违法用地的主要类型和特点,构建训练样本集;然后,构建卷积神经网络深度学习模型并对模型进行训练;最后,对两期影像分别分类并通过分类结果对比的方式快速筛查违法建设图斑.利用0.1 m分辨率的城市无人机正射影像进行的检测实验结果表明,本文方法对于违法建设问题能够快速有效地检测,对城市违法建设问题治理具有良好的支持作用.     

改进卷积神经网络算法在水面漂浮垃圾检测中的应用

针对传统目标检测算法在检测水面漂浮垃圾时易受外界复杂环境影响而难以实现的问题,提出了一种基于改进卷积神经网络的水面漂浮垃圾检测算法。运用数据增强技术改善训练过程中因样本不足而导致的过拟合问题,并利用迁移学习的方法训练出水面漂浮垃圾目标检测模型。结果表明,与传统的ViBe背景建模算法相比,所提算法能对水面漂浮垃圾进行分类,并标记出垃圾位置,对垃圾的检测准确率高达93%,能完全克服水波、波光等外界干扰。     

深度学习在城市感知的应用可能——基于卷积神经网络的图像判别分析

作为人工智能领域的研究重点,机器学习近年衍生出了各式各样的智能化应用,例如图像判别、语音助手和智能翻译等。尤其是图像判别技术已在各行业进行了大量的研究和实践,城市领域也不例外,这很大程度上是因为深度学习的卷积神经网络在计算机视觉领域取得了令人瞩目的成果。这也使得训练计算机判别建筑风格、城市肌理等城市特征的准确率大幅提升。本研究立足于深度学习图像判别技术,探索卷积神经网络在城市感知方面的应用。鉴于直接利用现成开源的带标签图像数据集训练个性化图像判别模型可能带来局限性和误差,本研究探索了从收集数据到自定义训练数据集,到搭建满足特定需求的图像判别模型的整体流程,并通过三个实验案例:城市风貌分析、城市问题侦测和城市肌理评估,阐明深度学习在城市感知和城市规划中的应用可能性及潜力。     

基于人工智能的清水墙典型损伤智能识别与评估方法研究

为避免对清水墙典型损伤进行查勘时,传统人工查勘方法存在人为因素干扰大、手动标注效率低、目测识别精度低的问题,研究了基于人工智能的清水墙典型损伤智能识别与评估方法.采用深度学习与计算机视觉方法,搭建了基于YOLO V4的单阶段目标检测神经网络模型,建立了风化、泛碱、绿植覆盖3种清水墙典型损伤的深度学习神经网络模型训练图像数据库,实现了上述3种清水墙典型损伤的智能诊断及区域划分.同时,基于OpenCV计算机视觉库,分别计算了像素尺寸级别下的各类损伤区域面积比,以代表清水墙损伤的程度.工程实践证明,与传统人工查勘方法相比,基于人工智能的方法实现了高效、准确、便捷的清水墙损伤自动识别与快速评估流程,为今后顺利开展清水墙修缮及复建施工工作提供了技术保障.     

基于深度神经网络的肺结节自动检测方案探讨

医疗影像AI是未来智能医疗发展的重要部分。因而基于深度神经网络的肺部结节自动检测方案研究是未来医疗影像AI的研究热点之一。本文分析现有的肺部结节自动检测方案及存在的问题,并提出一种基于深度神经网络的肺部结节自动检测的新的研究方案,即将传统方法与深度学习方法相结合,前期预处理部分采用传统方法进行,后期网络模型中采用改进的卷积神经网络方法 (将改进的VGGNet网络模型和改进的ResNet网络模型级联)。运用新的研究方案来提高检测准确率,对促进医疗的发展具有重要的意义。     

基于神经网络的混凝土裂缝检测分析

本文总结了近年来混凝土裂缝检测的方法,介绍了超声波的裂缝检测原理和神经网络模型的应用。建立了以超声波检测波速、传播时间、测量距离和裂缝深度关系的神经网络模型,根据试验测得的混凝土裂缝的深度为样本集数据进行训练,并用试验所得的数据进行检验,得到了比较精确的结果。本文中神经网络在混凝土裂缝检测中的成功应用可为同行提供参考。     

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。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。