基于检测图像的排水管道缺陷智能辅助分类方法

针对当前地下管网CCTV检测缺陷中存在自动化程度偏低及依赖专业人员技术水平的问题,综合采用图像处理和深度学习技术构建了辅助检测人员快速、准确地识别管道缺陷类型的智能方法。首先,收集十类典型缺陷图像,对其进行图像处理生成样本集;在此基础上,以深度卷积神经网络AlexNet和ResNet50为基础框架,使用预训练AlexNet和ResNet50网络迁移学习管道缺陷特征,通过敏感性分析优化了分类网络参数,然后,通过测试集验证了管道缺陷智能分类模型的准确性,并结合具体工程实例验证建立方法的有效性。结果表明：两类管道缺陷智能分类模型在测试集上分别达到92.00%和96.50%的准确率,实际工程实例准确率达到了85.41%和87.94%,且ResNet50的分类效果更优,具有较好工程适应性。图像处理和深度学习技术可提高排水管道缺陷分类的自动化与准确率,值得进一步进行推广。     

基于深度学习的高分遥感影像典型地物检测方法应用实践

传统的基于高分辨率遥感影像的典型地物检测方法难以兼顾检测精度、处理速度和自动化程度,而深度学习方法在图像处理领域中的应用为解决上述问题提供了可能。选用RSOD-Dataset数据集,基于TensorFlow深度学习框架,采用Faster R-CNN、YOLOv3和SSD三种经典深度学习目标检测算法,对高分辨率遥感影像数据进行预处理并完成模型训练,实现了对高分辨率遥感影像中典型地物目标的自动化检测实践,并对三种深度学习算法进行了对比分析。实验结果表明:SSD算法进行典型地物检测的均值平均精度指标(mAP)达到86.62%,每秒帧数(FPS)达到60.26,均优于Faster R-CNN算法和YOLOv3算法;在对飞机、储油罐、立交桥、体育场等典型地物的检测过程中有效地提升了检测精度、处理速度和计算的自动化水平,具有较为明显的应用价值。     

基于深度学习的混凝土表观病害智能分类器

为了更加精确地识别混凝土表观病害,首先收集了包含混凝土一般性病害、风化、露筋和裂缝四种表观病害的图片,利用图像处理技术对图像集进行了扩充;然后建立了深度残差网络模型,得到了混凝土四种表观病害的分类器;最后通过迁移学习对残差网络模型进行优化,得到最优分类结果.结果表明:该基于深度学习的混凝土表观病害分类器可以针对混凝土单个病害图像进行智能分类,经过迁移学习的优化,准确率达到了91.3%,对混凝土破损露筋病害的识别准确度达到了97.6%,可以满足实际工程中混凝土表观病害智能检测的需要.     

基于社区问答数据迁移学习的FAQ问答模型研究

基于FAQ(Frequent Asked Questions)问答技术构建智能客服系统,是当前业界普遍采用的技术方案.基于FAQ构建的问答系统,其返回的结果具有稳定、可靠、质量高的优点;但因受限于人工标注的知识库规模,识别能力有限,容易遇到瓶颈.为了解决FAQ数据集规模有限的问题,给出了数据层面和模型层面的解决方法:在数据层面,利用百度知道爬取相关数据并挖掘语义等价问题,保证了数据的相关性和一致性;在模型层面,提出了一种面向迁移学习的深度神经网络transAT,该模型融合了Transformer强大的特征抽取能力和注意力机制,适用于句子对之间的语义相似度计算.实验表明,该方法可以显著提升模型在FAQ问答任务中的效果,在一定程度上解决了FAQ数据集规模有限的问题.     

基于深度学习的单幅图像三维重建

随着深度学习技术的发展,深度神经网络在图像处理和三维重建中得到广泛应用,为探究目前深度学习框架下的单幅图像三维重建研究现状,该文对近年的相关研究工作进行综述.首先介绍深度学习框架下基于图像的不同三维重建方法的分类;其次梳理图像三维重建中不同神经网络方法的研究进展;并根据重建三维模型表示方式的不同,分别讨论针对体素、点云、网格、隐式等不同表示方式的单幅图像三维重建网络和方法;然后给出单幅图像三维重建中的常用评价指标与数据集,并对公开数据集下针对不同表示方式的各类三维重建方法的结果进行比较与分析;最后对单幅图像三维重建所面临的困难和挑战进行讨论,并给出未来的研究方向.     

基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

不同环境下光伏组件自然积灰特性模拟

研究光伏组件自然积灰特性,可为光伏组件清灰提供理论指导。以本校光伏组件系统为研究对象,利用COMSOL软件对其积灰物理模型进行了数值模拟,其模拟与试验结果对比表明：二者变化趋势一致、数量级相同且相对误差在允许范围内,验证了模拟方法的合理性。籍此,模拟分析了湿度、污秽浓度、颗粒粒径、风速等因素对光伏组件积灰特性的影响。结果表明：湿度变化对光伏组件表面积灰影响较小;在其它条件相同时,光伏组件表面积灰量与污秽浓度呈正相关变化;粒径对污秽颗粒沉积的影响大于风速对污秽颗粒沉积的影响;小风速时加剧光伏组件表面积灰,大风速时则有一定的清洁作用。     

基于独热编码和卷积神经网络的异常检测

目前基于深度学习的网络异常检测是入侵检测领域新的研究方向,但是大部分研究都是利用数据挖掘处理后的特征数据进行特征学习和分类。该文利用UNSWNB15作为主要研究数据集,利用独热编码对数据集中的原始网络包进行编码,维度重构后形成二维数据,并利用GoogLeNet网络进行特征提取学习,最后训练分类器模型进行检测。实验结果表明:该方法能有效处理原始网络包并进行网络攻击检测,检测精度达到99%以上,高于基于特征数据进行的深度学习检测方法。     

基于深度学习的工业数字仪表识别算法研究

仪表读数的检测与识别被广泛应用在工业中,然而工程领域中复杂的背景环境为获取仪表信息带来了困难.为了解决光照不均、背景复杂、图像模糊、仪表倾斜以及遮挡等多种干扰问题,本文设计了一种基于深度学习的数字仪表读数算法.首先使用图像增广方法丰富数字仪表检测数据集,并利用数据合成的方法构建了数字仪表文本识别数据集;然后通过可微分二...     

基于Faster R-CNN及数据增广的满文文档印章检测

针对传统方法过分依赖颜色等特征,导致对古籍文档复印件检测效果不佳的问题,基于深度学习技术建立了一种新的满文文档图像印章检测方法。通过图像变换和合成技术建立满文古籍文档图像数据增广算法解决训练数据不足的问题,在所构建的增广数据集上建立Faster R-CNN深度学习模型挖掘深层图像特征,实现满文文档图像印章检测方法。对采集的真实满文文档复印件图像进行实验,印章检测精度可以达到99.6%,表明本文的方法可以有效的检测古籍文档复印件图像中的印章,对满文文档的研究有重要意义。     

基于灰度共生矩阵和区域生长算法的红外光伏图像分割

随着光伏产业的迅速发展,这种光伏新能源在各个方面正扮演越来越重要的作用,因此对光伏面板的维护和状态监测就变得尤为急切。而对光伏面板红外图像的分割是后期对光伏面板故障检测的基础。因此,针对红外光伏图像对比度低、信噪比低等特点,本文提出一种改进的区域生长算法结合灰度共生矩阵(GLCM)的纹理特征和图像的梯度特征对红外光伏面板图像进行分割,该算法通过图像的梯度特征和灰度共生矩阵的熵特征对原始红外光伏图像进行预处理,获得梯度特征和熵特征图像加权叠加后的预处理图像,然后再利用红外图像灰度直方图分布集中的特点,针对需要人工干预进行种子点的选取,实现自动进行种子点的选取,同时对区域生长准则进行改进,使其能够自动的调整生长阈值,从而可以分割出光伏面板区域。实验结果表明,本文算法相比OTSU和K-means聚类算法分割效果更好且更接近手动分割的目标区域。     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

基于卷积神经网络的毫米波图像目标检测

在公共安全检查领域中,研究毫米波图像目标检测的快速性和精准性的方法具有非常重要的实际应用价值。提出了基于Faster R-CNN深度学习的方法检测隐藏在人体上的危险物品。该方法将区域建议网络(region proposal network,RPN)和VGG16训练卷积神经网络模型相结合,接着通过在线难例挖掘(online hard example mining,OHEM)技术优化训练所提出的网络模型,从而构建了面向毫米波图像目标检测的深度卷积神经网络。实验结果证明所提的方法能高效地检测毫米波图像中的危险物品,并且目标检测的平均精度高达约94.66%,检测速度约为6帧/s,同时对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于XML与人脸识别的智能小区门禁管理系统设计

为实现小区的智能化人性化管理,设计了一套基于XML与人脸识别的智能小区门禁管理系统。首先,集成网络摄像头和数据分析工作站,组成系统硬件平台;嵌入人脸识别算法和XML结构化数据,构建了智能小区门禁管理系统。然后,结合图像灰度处理、直方图均衡化和haar特征检测,设计了人脸图像识别算子,实现人脸有、无来访者身份确定。在Visiual Studio平台开发系统,对所提智能小区门禁管理系统进行了测试,输出结果表明:所提出的智能小区门禁管理系统,在人脸识别和系统智能性方面,都优于传统小区门禁管理系统。     

基于卷积神经网络的烟雾检测

针对已提出的很多烟雾检测方法中都是基于手工制作的特征或者使用原始图片直接作为神经网络的输入,减少了深度学习的鲁棒性。为解决这些问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的烟雾检测方法。使用图片归一化方式消除光照的影响,利用烟雾颜色检测烟雾候选区域,CNN自动提取烟雾候选区域的特征,进行烟雾识别,根据分类结果得到报警信号。针对烟雾产生初期烟雾区域相对较小的问题,利用扩大候选区域的策略提高烟雾检测的及时性。由于训练数据少或不平衡引起的过度拟合,使用数据增强技术从原始数据集生成更多训练样本解决该问题。实验结果表明,该方法能有效地检测烟雾,且具有更高的准确率和更好的鲁棒性。     

一种基于犹豫中智集和水平集的图像分割方法

皮肤镜图像分析技术的第一步为图像分割,分割的结果会直接影响到后续的处理过程,针对具有背景噪声、模糊边缘和灰度不均的皮肤镜图像,提出了一种新的结合水平集的犹豫中智集图像分割方法;首先利用犹豫中智集理论将图像转换为犹豫中智集图像,其中犹豫中智图像由三类子集组成(T、I、F),利用犹豫中智集图像突出表达图像的目标信息和边缘信息;然后针对传统 DRLSE 水平集的不足进行改进,构造新的边缘停止函数,并增加灰度驱动能量项,最后通过改进的DRLSE 水平集对 ISIC(2018)皮肤镜图像进行分割测试;实验结果的交并比(Jaccard Index)值均大于 95%,且均方误差(MSE)、峰值信噪比(PSNR)和结构性相似指数(SSIM)均表现良好,表明方法能够准确、有效的分割具有模糊边缘和灰度不均的皮肤镜图像,对后续的皮肤镜图像的处理与诊断奠定了基础。     

基于图像语义分割的水位智能监测方法

为了解决现有基于灰度图像分割的水位线检测方法易受水面耀光、倒影等复杂光照条件的影响,且在高洪期水尺易被漂浮物缠绕引起测量粗大误差的问题,设计了一种基于深度学习的水尺水位智能监测方法。该方法采用不同条件下采集并由人工精确标注的水尺、水面和漂浮物三分类样本图像构建数据集,训练深层全卷积神经网络,实现了对水尺图像的逐像素分类预测,最终在语义分割图像中检测水位线的像素位置,将其转化为实际水位值。试验结果表明:该方法能够克服传统方法在图像特征提取方面的不足,提升图像分割对野外复杂变化环境的适应性,实现测量有效性的识别,达到水尺水位智能监测的目的,测量的综合不确定度小于3.cm。