一种新的结合卷积神经网络的隧道内停车检测方法

为了更准确地检测高速公路隧道内停车行为,将传统的图像处理技术与深度学习相结合.首先,通过基于混合高斯模型(Gaussian mixture model,GMM)的背景差分法提取出运动目标.接着通过meanshift算法跟踪这些运动目标,计算运动目标的速度以及在相邻视频帧中运动目标的相关性,通过与速度阈值和相似度阈值的比较得到静止目标.最后,结合卷积神经网络(convolutional neural network,CNN)分类模型识别静止目标是否为车辆.文中方法在高速公路隧道视频上进行测试,达到至少84％的准确率.另外,与没有结合卷积神经网络的传统图像处理方法相比,文中方法至少提高了63％的准确率.     

基于深度学习的地铁隧道衬砌病害检测模型优化

地铁盾构隧道衬砌病害检测面临的最主要问题是如何获取高质量的病害图片以及如何快速、准确实现病害检测.基于CCD线阵相机设计制造了地铁隧道病害检测车,并针对上海运营地铁1、2、4、7、8、10、12等线路采集了大量的衬砌图像,通过手工标注建立高质量隧道病害样本库.基于卷积神经网络Faster R-CNN(Faster Region-based Convolutional Neural Network),构建了病害自动检测深度学习框架.考虑到裂缝及渗漏水病害的特殊性,采用数据统计分析及K-means聚类算法分析其几何特征,结合病害特征优化VGG-16网络模型中的anchor box相关参数.结果表明,修正后的模型病害检测准确度有明显的提升(约7%),同时模型的训练时间减少.经验证,上述方法同样可提高裂缝或渗漏水单一病害识别模型的准确度.     

基于深度学习的交通拥堵检测

针对交通拥堵检测,提出一种利用深度学习中卷积神经网络(convolutional neural network, CNN)对交通拥堵图像进行检测的方法。首先,使用基于TensorFlow框架设计了含有三层卷积层的神经网络分类模型。其次,利用道路拥堵与非拥堵图片对分类模型进行训练,并进行评估。最后,利用训练完成的模型进行道路拥堵检测,与多种深度学习分类模型分类方法进行对比实验,表明该卷积神经网络模型能够更有效地进行拥堵检测,检测准确率达到了98.1%。     

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。     

基于图像处理与深度学习的隧道衬砌裂缝检测

针对目前隧道衬砌裂缝检测方法适应性不好且检测精度不高等问题,提出了以图像处理和深度学习相结合的衬砌裂缝检测方法 .首先,以隧道衬砌图像采集车载设备为研究对象,对获取的图像利用改进Mask匀光算法去除图像中的阴影,利用拼接缝去除方法去除拼接缝.其次,构建改进的VGG19网络模型,通过深度学习方法实现了衬砌裂缝的高效分割,提出基于虚拟标尺的裂缝长度和宽度测量方法,实现了衬砌裂缝的高效准确检测.最后通过实际隧道检测试验验证了本文方法的可行性和有效性,试验结果表明裂缝类型识别率高,裂缝长度的最大偏差为2.92 mm,裂缝宽度的最大偏差为0.28 mm.     

基于CNN公交客流检测系统的设计

针对公交客流数据获取现状不稳定、处理方法陈旧及无法实时调度等问题,本文结合图像处理和深度学习方法,设计了公交客流检测系统,重点对乘客头部的特征提取算法进行研究。该系统将工业摄像头分别置于车厢前端、中端及末端的上侧,以此获得车内乘客三通道图像,在Raspberry Pi树莓派中移植Tensor Flow深度学习框架,由此搭建卷积神经网络CNN的模型,以此模型提取车厢内乘客头部特征,再采用综合梯度下降算法优化学习速率和三通道数据融合技术判断车内拥挤情况,从而保证模型的鲁棒性。实验结果表明:将识别结果输入SPP-Net网络结构中,上述算法识别准确率为87. 23%,较传统卷积神经网络提高9. 11%,收敛速率提高20. 77%,其实时的拥挤度判断更具有实用性。     

图像分类卷积神经网络的进化设计

为解决图像分类中深度卷积神经网络(Convolutional neural networks,CNN)中较为复杂的人工网络设计与调参问题,提出基于ResNet模块的进化卷积、神经网络(Evolutionary convolutional neural network,ECNN)的自动设计方法,并将其运用到图像分类中.该方法基于ResNet模块与2D卷积层,采用进化算法(Evolutionary algorithm,EA)对网络结构及参数进行优化.在NLM官方发布的疟疾数据集下进行实验,不同比例的测试集划分可以达到95.6%的分类准确率,文中算法与AlexNet、VGG16、Xception等人工设计的深度学习分类算法进行了比较,实验结果表明,其准确率提升了约1%.在斯坦福大学发布的Stanford cars车辆图像数据集中进行了算法泛化验证,结果表明,文中算法在不同比例数据的测试中准确率均在94.5%以上,将该算法与深度学习分类算法VGG16进行比较,准确率效果相当,模型测试图像分类耗时仅为VGG16耗时的1/13,且训练参数量较少.两组对比测试实验数据表明,相比人工设计的深度学习算法,本文方法具有较好的图像分类性能与较快的图像分类速度.     

基于深度学习和ArcMap的路面病害智能综合检测方法

为了提升路面病害检测效率,实现路面病害检测结果的可视化显示,结合深度学习技术和ArcMap地理信息系统,设计一种适用于沥青路面的路面病害智能综合检测方法.该检测方法首先利用基于视觉几何组(visual geometry group, VGG)模型的卷积神经网络进行路面图像分类,再利用基于单步多框检测(single shot MultiBox detector, SSD)模型的目标检测网络实现路面病害识别,最后利用ArcMap地理信息系统生成道路健康地图.测试结果表明：基于VGG-16模型的路面图像分类准确率为94.60%,能够判别正常路面和病害路面;基于SSD模型的路面病害识别平均精确度为87.36%,能够有效识别坑槽、松散、车辙、裂缝、泛油和修补等6类病害类型;基于ArcMap系统的道路健康地图能够实现病害定位与结果显现.     

基于改进深度置信网络的木板表面缺陷检测模型

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明：选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^-2,是最优结果,Adaboost-CNN算法次之,CNN算法最差。     

基于GAF和卷积神经网络的轴承故障诊断研究

针对深度学习在轴承故障诊断中出现的多分类时测试准确率低、数据集不足的情况,提出基于格拉姆角场(GAF)法和卷积神经网络(CNN)的轴承故障诊断模型以及采用重叠采样20%的方法扩充数据集。通过对轴承振动信号采用格拉姆角场法变换构建数据集,导入到搭建的六层卷积神经网络中实现故障分类。在搭建的CNN中测试了不同的轴承数据集以及不同数据长度下的测试准确率和抗噪性能。结果表明,在不同数据集的测试中,所搭建的模型最高测试准确率可达100%,搭建的CNN有着良好的性能,在多分类问题上具有较高的精度;扩充数据集的方法具有一定的可行性,可以有效提升模型的测试性能。     

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.     

基于级联卷积神经网络的驾驶员分心驾驶行为检测

针对驾驶员分心驾驶行为检测,设计一种级联卷积神经网络检测框架。检测框架由第一级分心行为预筛选卷积网络和第二级分心行为精确检测卷积网络两个全卷积网络级联构成。预筛选卷积网络是一个轻量级的图像分类网络,负责对原始数据进行快速筛选,其网络层数少、训练速度快,结构特征冗余较少,能够减少后续网络的计算负担;分心行为精确检测卷积网络采用VGG(Visual geometry group)模型特征提取的深度迁移学习检测算法网络,通过迁移学习重新训练分类器和部分卷积层。提出的级联神经网络最终可以实现9种驾驶员分心驾驶行为的准确识别检测。实验结果表明,相比主流单模型检测方法,在保证算法效率的同时准确率均有明显提升,准确率达到93.3%,有效降低了误检率。该方法具有较好的鲁棒性和泛化能力。     

基于图像结构信息的隧道衬砌裂缝实时快速识别

裂缝是隧道衬砌最常见的病害之一,裂缝检测是后期隧道养护的前提。在图像采集过程中对隧道衬砌裂缝进行实时快速识别,对提高隧道病害检测效率具有重要的意义。针对传统的裂缝图像识别方法存在运行速度慢、效率低等缺点,提出基于图像结构信息的隧道衬砌裂缝实时快速识别方法。首先,将图像结构信息用图像像素的灰度均值、标准差和结构元素掩码表示;其次,采用不同方向的结构元素掩码对采集的当前图像进行卷积运算,并计算当前图像与样本图像之间的亮度信息和对比度信息;最后,计算图像结构信息因子,实时快速识别出衬砌裂缝,并通过接受者操作特征(receiver operating characteristics, ROC)曲线估计最优参数和最佳阈值。现场实验结果表明,算法的识别时间远小于图像的采集和存储时间,识别速度快且准确性高,可显著提高隧道衬砌病害的检测效率,具有一定的工程应用价值。     

一种元卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络（MCNN）,并融合持续学习理论的洞库类目标识别方法（MCNN-LLS）.首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统（LLS）,设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.      

基于特征金字塔网络的自然场景图像文本检测

针对深度学习中对任意形状文本检测准确率不高的问题,提出了一种结合特征金字塔网络(feature pyramid network,FPN)和内核尺度扩展算法的文本检测网络模型.特征金字塔网络能够提取卷积层中更加鲁棒的特征,融合后生成不同尺度的特征内核;内核尺度扩展算法将生成的最小特征内核逐渐扩展为包围完整文本实例的特征图...     

松软围岩隧道结构稳定可靠性估计

分析了深部地下工程围岩与结构的相互作用原理,提出了极限状态方程建立准则,然后按照新奥法原理给出最小荷载的估算公式.在分析衬砌力学传递机理基础上揭示了衬砌变形协调的3种基本类型,推导了在不同协调情况下结构实际抗力的计算公式,探讨了极限状态方程的建立方法.根据结构参数和状态函数的复杂性,研究了统计矩方法估算稳定可靠性概率的实用性.由此构成了该类隧道结构稳定可靠性估计的完整方法.并采用该方法分析了某隧道结构的稳定可靠度,验证了其有效性.     

基于灰度纹理指纹的恶意代码分类

随着各种新技术的出现,传统的恶意代码的识别和分类技术存在着检测率瓶颈、实时监测效率不高的问题,为了提高准确率,提出了一种基于图像纹理指纹特征与深度学习神经网络结合的分类方法。该方法首先将数据集中恶意代码的二进制文件建模为灰度图,采用改进的灰度共生矩阵提取出恶意代码中的指纹特征图像,并选择不同步长扩展样本量,然后将该指纹特征图像作为输入数据集并采用卷积神经网络模型中进行分类训练。结果表明,该方法可以有效地分类恶意代码,准确率可达96.2%,并在泛化测试中取得了较好的效果。     

Land cover classification of RADARSAT-2 SAR data using convolutional neural network

In this paper, we propose a convolutional neural network (CNN) based on deep learning method for land cover classification of synthetic aperture radar (SAR) images. The proposed method consists of convolutional layers, pooling layers, a full connection layer and an output layer. The method acquires high-level abstractions for SAR data by using a hierarchical architecture composed of multiple non-linear transformations such as convolutions and poolings. The feature maps produced by convolutional layers are subsampled by pooling layers and then are converted into a feature vector by the full connection layer. The feature vector is then used by the output layer with softmax regression to perform land cover classification. The multi-layer method replaces hand-engineered features with backpropagation (BP) neural network algorithm for supervised feature learning, hierarchical feature extraction and land cover classification of SAR images. RADARSAT-2 ultra-fine beam high resolution HH-SAR images acquired in the rural urban fringe of the Greater Toronto Area (GTA) are selected for this study. The experiment results show that the accuracy of our classification method is about 90% which is higher than that of nearest neighbor (NN).     

地质雷达在公路隧道衬砌检测中的应用

介绍了地质雷达的基本原理及在公路隧道衬砌检测的应用方法,通过对隧道衬砌检测的实例说明公路隧道衬砌中常见的病害。     

公路隧道视频预处理和病害识别算法

基于计算机视觉技术,针对公路隧道病害进行检测与识别,提出视频数据的预处理方法.使用全卷积网络(FCN)模型识别病害的类别和位置,融合不同的上采样结果使最终结果更加精细,结合马尔可夫随机场(MRF)增强FCN模型的空间一致性.实验结果表明:该方法可解决数据冗余、镜头畸变及样本不均衡等问题;该方法在上海市虹梅南路隧道中的应用结果验证其准确度与可靠性.