基于深度学习的三维路面裂缝类病害检测方法

为了在路面三维图像的基础上快速、准确、完整地识别裂缝,提出一种基于深度学习的路面裂缝类病害自动检测方法.首先,以子块图像为处理单元,将三维图像划分为裂缝面元和背景面元,其中背景面元包含了路面标线、不同纹理和桥接缝等复杂场景.根据对面元图像的分析,提出一种基于卷积神经网络的PCCNet分类模型,用于路面背景面元和路面裂缝面元的自动识别.然后,为了进一步提取裂缝面元内裂缝的完整轮廓,考虑路面三维图像中裂缝像素级邻域特征,利用PCCNet模型结合裂缝高程检查方法对路面裂缝进行检测.研究结果表明:通过训练集4 300张高精度三维图像的训练,模型在3 850次迭代之后出现过拟合,且此时PCCNet模型在验证集上的总体F值达到最大,为92.9％;将PCCNet模型结合裂缝高程检查方法应用在测试集的200张三维图像上,方法准确率、召回率和F值分别为87.8％、90.1％和88.9％.与改进Canny方法和种子识别方法对比,所提出的方法在抑制噪声和检测细小裂纹方面具有更强的鲁棒性.     

城市轨道交通客流加权复杂网络分析

本文以上海轨道交通网络为例,使用复杂网络理论构建拓扑网络并以断面客流为权重分析了节点强度、加权最短路径等指标及其分布规律,定量计算各个站点对于蓄意攻击的脆弱性,以鉴定对网络连通度影响最大的关键站点.仿真结果表明,上海轨道交通网络节点强度服从幂律分布,网络加权平均最短路径长度较大,连通性有待提高.面对蓄意攻击时,上海火车站、曹杨路和镇坪路作为关键节点对网络效率和网络最大连通子图的影响都较大,应在运营中加强保护.