基于探地雷达的沥青路面内部病害快速识别

为了提高沥青路面内部病害的检测精度及效率,开展了路面探地雷达(GPR)图像的自动识别研究．采用三维探地雷达(3D-GPR)设备高效、无损地探测沥青路面内部结构,以获取海量3D-GPR图像数据;通过多维度GPR图像辨识内部病害(横向裂缝和层间不良)的回波特征,矩形框准确标注纵断面GPR图中病害特征,进而构建内部病害回波特征GPR图像数据集(训练集、验证集和测试集);基于深度学习技术,引入YOLOv4(you only look once version 4)算法模型,首先利用训练集和验证集完成模型网络参数的迭代更新,然后利用测试集进行模型综合检测性能评估．研究结果表明：YOLOv4模型在测试集上测试的综合检测精度大于95%,并且其检测视频的每s帧数也超过30;而层间不良的回波特征相对内部横向裂缝识别更加准确;该模型可以实时、高精度自动识别出沥青路面GPR图像中病害回波特征．     

室内干扰条件下探地雷达在埋地管线探测中的应用

探地雷达是近些年发展起来的广泛用于工程与环境物探领域的新型仪器。介绍了探地雷达在管线探测中的测量原理 ,探讨了室内干扰条件下探地雷达资料采集和图像解释的方法。实际应用结果表明 ,探地雷达能够探测到地下存在的异常体 ,该技术具有广泛的适应性及较强的抗干扰能力 ,其分辨率较高 ,因而具有很好的应用前景。     

室内干扰条件下探地雷达在埋地管线探测中的应用

探地雷达是近些年发展起来的广泛用于工程与环境物探领域的新型仪器。介绍了探地雷达在管线探测中的测量原理，探讨了室内干扰条件下探地雷达资料采集和图像解释的方法。实际应用结果表明，探地雷达能够探测到地下存在的异常体，该技术具有广泛的适应性及较强的抗干扰能力，其分辨率较高，因而具有很好的应用前景。     

基于小波自适应阈值方法的探地雷达去噪

探地雷达在实际使用过程中会被各种噪音信号干扰,针对这一问题,本文提出一种基于小波自适应阈值算法的探地雷达信号处理方法。常规小波阈值算法处理探地雷达B-scan图像时因处理前后的小波系数有所差异,可能导致图像失真。为了使目标信号更加明确,并消除噪音等干扰,通过对小波阈值的选取方式和阈值函数进行改进,使用小波变换的不同层数的子带长度确定阈值,实现阈值自适应准确量化。实验结果表明该方法相对传统小波阈值算法更加适用于探地雷达信号处理,自适应阈值函数拥有更好的良好连续性和稳定性,进一步提高了去除直达波和降噪效果,更好的保存了目标图像的细节。与其他方法对比结果表明,本文提出的算法提高了峰值信噪比,降低了图像熵。可见该方法在探地雷达实际使用情况下有一定的应用价值。     

基于GPR的城市道路地下病害差值检测方法研究

地下工程施工对道路路基破坏产生的地下空洞等病害是导致城市道路路面坍塌事故频发的主要原因,探地雷达(GPR)以其无损、快捷以及浅层高分辨率的优势被广泛应用于道路地下病害检测中。针对目前GPR技术在地下病害一次性检测中存在的环境干扰严重和检测精度低的问题,提出了一种基于差值检测的道路地下病害检测方法。首先通过差值检测算法对配准后的不同时相雷达图像进行差值处理,识别出变化区域即病害可能出现区域,然后利用改进的核匹配追踪算法,识别并提取道路病害特征。根据回波波组形态、振幅和相位特性、吸收衰减特性等方面特征,初步建立地下病害属性划分标准,进而将不同种类病害分级以指导施工修复。对北京四环路部分路段进行应用实验,结果表明:该检测方法有效提高道路地下病害的检测精度至80%。该方法可实现道路病害检测由一次性检测技术向周期性监测技术的转换,为保障城市道路和地下管线安全提供有效的技术支撑。     

广州地区城市道路病害探测图谱与优化方法

针对运营中的城市道路在路基病害探测中无法封路的情况,以广州市广花一级公路为工程背景,阐述了城市道路探地雷达(GPR)检测原理,并对检测精度影响因素进行了总结.提出了不影响正常交通条件下城市道路二维、三维探地雷达快速联合检测优化方法,以三维雷达图像进行初判、二维雷达深入检测并进行对比分析,实现道路病害的精确解译.运用此优...     

一种新型复合探雷系统的设计和实现

为了解决传统探雷器易受复杂土壤环境和各种干扰物的影响造成误报率过高的问题,提出了一种基于电磁感应(EMI)和探地雷达技术(GPR)的复合探测系统及其设计方案,通过将两种完全不同探测机理的传感器数据进行融合处理,协同工作,提取地雷目标特征信号,结果表明:可有效提高地雷的探知率并降低误报率,克服采用单一探测技术探雷器难以解决的原理性虚警问题;通过样机试验结果验证了设计方案的有效性。     

浅析探地雷达技术的发展历程

探地雷达(GPR)具有高效、无损、简便、快捷等诸多优点,被广泛应用在城市管线检测、堤坝查漏探测、道路危害检测等工程地质探测领域。随着软硬件及计算机技术的快速发展,探地雷达技术效率和分辨率不断提高,呈现出更加广阔的应用前景。通过查阅大量的国内外相关文献,就关于探地雷达技术的发展、雷达数据处理的正反演技术以及结合人工智能技术的探地雷达这四方面的发展历程进行了详细地叙述并系统地总结和浅析未来的发展趋势,对今后探地雷达技术相关的工作发展有一定的指导作用和意义。     

频散介质中探地雷达有限元法正演模拟

为了更准确地认识探地雷达(GPR)波在频散介质中的传播规律,从Maxwell方程组出发,在频散介质相对介电常数与频率满足Debye关系的条件下,经傅里叶变换,导出时间域GPR波电场和磁场的波动方程。对GPR波的电场波动方程采用伽辽金有限元法,推导频散介质中探地雷达二维有限元方程,采用透射吸收边界有效减弱截断边界的超强反射波,使得截断边界处的反射波充分吸收。利用依上述方法原理编制的程序分别对均匀模型和两圆状模型进行正演计算,验证该算法的正确性和可行性。研究结果表明:均匀频散介质中GPR子波的衰减比在非频散介质中的衰减要快得多,且GPR子波的宽度随着接收器与发射源距离的增加而变大;频散介质中异常体的反射波宽度比非频散介质中的反射波宽度大。     

基于改进YOLOv3的道路目标检测

针对YOLOv3在道路目标检测中漏检率高和检测精度低的问题,提出一种基于改进YOLOv3的道路目标检测方法 。通过将原有YOLOv3的3个特征尺度增至4个,从而提升了对于小目标的检测准确率。使用CIoU损失函数提高模型的准确性,利用K-Means++聚类算法对道路目标重新聚类,得到新的候选框。在BDD100K数据集上的验证结果 表明,改进的YOLOv3算法在降低漏检率和提高检测精度方面效果较好。     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

面向庭院式住宅的周界入侵综合识别技术

针对现有周界入侵检测技术应用于私人住宅时面临的几点问题,提出一种面向庭院式住宅的周界入侵综合识别算法,该算法以YOLOv5为基础,将周界入侵检测任务分为异常目标检测与入侵检测两部分。在异常目标检测部分,针对YOLOv5在复杂户外场景下对小目标检测效果不佳等问题对其网络结构进行三点改进,然后应用改进YOLOv5对监控范围内人员穿戴与所持工具是否异常进行检测,并根据结果判断是否存在潜在入侵行为;在入侵检测部分,提出一种点线式区域入侵检测方法,巧妙的将区域入侵检测问题抽象成点与多条直线围成区域的位置关系判断问题。实验结果表明:本文算法在异常目标检测阶段平均精度mAP值为85.4%,相较于YOLOv5与其他目标检测算法精度更高;模型检测速度可达23.4frame·s-1,实时性良好;在入侵检测阶段,点线式区域入侵检测方法相较于现有基于视频的入侵检测方法具有更高的入侵检测灵敏度且不存在误检现象;基本满足对庭院式住宅进行周界入侵检测的任务需求。     

面向胃息肉检测的深度学习神经网络优化

胃镜检查是发现胃息肉的主要方法。传统的人工检查方式存在准确率低,易漏诊、误诊的情况。本文提出了一种基于深度学习的YOLOv5-SE胃息肉检测网络。该网络在目标检测算法YOLOv5的基础上进行了改进,引入注意力机制,将SE Block加入到主干网络的最后一层,增强网络的特征提取能力。改进后的YOLOv5-SE胃息肉检测网络的平均精度均值(mAP)达到了94.5%,相比原网络提高了3.1%,推理速度达到67fps,在满足实时性要求下较好地完成了胃息肉检测的要求。YOLOv5-SE胃息肉检测网络具有在实时性、自动检测的精度和速度等方面有一定提升,对促进胃息肉的自动检测有重要意义。     

基于改进YOLOv4网络的水表读数识别方法

在远程水表读数自动识别系统中,为减少网络模型参数量,改善受雾化、抖动等干扰的水表复杂场景图像读数识别精度及半字识别问题,提出了一种基于改进YOLOv4网络的水表读数识别方法?该方法利用深度可分离卷积与引入压缩与激发(squeeze-and-excitation, SE)注意力机制的MobileNetv2瓶颈结构,分别替代YOLOv4网络原有的标准卷积和主干网络,并利用加权平均非极大值抑制算法改进预测输出头,形成了一种网络模型参数量明显降低但检测精度不下降的改进YOLOv4网络,同时有效改善了对水表读数“半字”识别的漏检和错检问题;最后基于字符边框定位的水表读数提取方法,实现“半字”准确提取问题?实验结果表明,本文方法与多种网络学习方法相比,模型参数量压缩14.4%以上,读数识别的准确率和召回率对普通场景水表图像分别提升了0.04%和0.05%以上,对受雾化、抖动等干扰的复杂场景水表图像分别提升了0.11%和0.37%以上.     

一种基于改进RefineDet的管道数字射线成像缺陷图像检测方法

为提高管道缺陷图像检测的准确率,提出一种基于改进RefineDet的管道数字射线成像(digital radiography,DR)缺陷图像检测模型。该模型针对管道DR缺陷图像数据少、目标少等特点,从以下三个方面进行改进。首先,在骨干网络设计方面,使用Swin transformer代替VGG16作为主干网络,在提高特征提取能力的同时减少主干网络参数量。其次,针对管道DR缺陷图像目标数量较少而易受背景干扰问题,通过在主干网络与特征融合阶段之间加入全局注意力模块来强化模型对重要特征的关注,从而提高检测性能。最后,在后处理阶段,针对传统的非最大值抑制算法直接去除非最好预测框问题,使用软非最大值抑制算法以更合理的方式去除非最优预测框。结果表明：该方法能够有效实现管道DR缺陷图像的检测,并且相比于其他4种常用的目标检测模型,提出的模型可以有效提升管道DR缺陷图像检测的准确率,研究成果可为DR缺陷图像检测提供技术支撑。     

士兵和装甲车目标多尺度检测方法

针对士兵和装甲车目标的尺度差异大以及目标距离远近造成的目标多尺度问题,以YOLOv4深度学习算法为基础,提出了一种多尺度目标检测方法. 通过针对性的数据增强方法丰富小目标样本的多样性,对输入图像进行分割预处理以提高网络输入小目标的分辨率,并基于特征金字塔网络实现大、中、小目标的分离检测,最后匹配检测结果并进行NMS处理去除冗余检测框,从而实现多尺度目标检测. 实验结果表明,本文方法在保持大目标检测效果的情况下,中、小目标的平均检测精度分别提升了1.20%和5.54%,有效提高了中、小目标的检测效果.      

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于PANet的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用AP-loss函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071s。与Faster R-CNN算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。     

面向端到端目标检测神经网络的高效硬件加速系统设计

针对神经网络目标检测系统在硬件资源受限与功耗敏感的边缘计算设备中应用的问题,提出了一种基于现场可编程门阵列（FPGA）实现的YOLOv3-Tiny神经网络目标检测硬件加速系统. 利用网络结构重组、层间融合与动态数值量化,缩减YOLOv3-Tiny网络规模. 基于通道并行与权值驻留硬件加速算法、紧密流水线处理流程与硬件运算单元复用,提升硬件资源利用效率. 所设计的端到端目标检测加速系统被部署在UltraScale+ XCZU9EG FPGA上,达到了96.6 GOPS的吞吐量与17.3 FPS的检测帧率,功耗为4.12 W,并具有0.32 GOPS/DSP与2.68 GOPS/kLUT的硬件资源利用效率. 在保持高效准确目标检测能力的同时,硬件资源利用效率优于其他已有的YOLOv3-Tiny目标检测硬件加速器.      

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰，解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题，引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合，实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低，信息特征少，多尺度并存，导致在连续卷积过程中易丢失特征信息等问题，采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息，弱化安全帽检测时背景信息的干扰。仿真结果表明，基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS，是基础YOLOv4网络的16倍，检测精度提升了4.21%，检测速度与检测精度达到平衡。