新建承台施工对既有道路的扰动沉降影响研究

新建承台施工会对既有道路造成扰动,使得既有道路工后沉降增加.为了研究基坑开挖过程扰动因素对既有道路的影响,借助有限元数值模拟,分析在新建承台施工过程中,不同的基坑开挖面积和施工工期条件下,对既有道路的工后沉降影响,并用现场监测结果进行验证.研究结果表明,既有道路的水平位移和工后沉降随基坑开挖面积增大,施工工期延长而增加.施工工期每延长1个月,将增加既有道路路基承台施工后沉降量1.0～2.0 cm.所以在既有道路上进行新建承台区域的施工时,应该尽量减少施工开挖的时间.     

粗细粒度超像素行人目标分割算法

针对车载视觉行人目标分割由于复杂场景对行人目标的分割结果产生干扰而出现信息冗余以及错误分割的问题,提出一种粗细粒度超像素行人目标分割算法。该算法以Mask R-CNN作为粗粒度一次分割,将所得结果经Slic超像素细粒度二次分割,融合两次输出结果来提高现有图像目标的分割精度,为行人目标识别和跟踪提供有益先验感知信息。经仿真验证,该算法能够对复杂背景情况下的图像进行有效分割,MS COCO标准公开集测试结果与原有Mask R-CNN检测算法相比,mAP提高0.71%,为图像识别和计算机视觉系统完成精准的预处理,具有较强的工程应用价值。     

无定形区特征增强全景分割算法

针对UPSNet全景分割算法在目标分割过程中存在对无定形区目标分割精度不高的现象,提出一种无定形区特征增强的UPSNet全景分割算法APS。该算法引入空洞卷积,采用自下而上的方式构建特征融合结构,使无定形区特征得以增强,解决无定形目标特征不显著问题,提高语义分割效果,进一步提高全景分割精度。经仿真测试,该算法对道路、草地等无定形目标分割效果均有提高,在COCO数据集上的检测结果与UPSNet相比,SQ值提高4.75%,适合应用于无人车和移动机器人等场景。     

用于腹部CT肝脏分割的边界监督模型

针对肝脏分割影像中模糊的肝脏边界,提出了一种新颖的用于腹部CT肝脏分割的边界监督模型.该模型包括肝脏区域分割模块和边界分割模块,其中边界分割模块使用肝脏边界进行监督训练,输出精准的肝脏边界.模型将肝脏区域分割输出与边界分割输出融合在一起,得到最终的肝脏分割预测.肝脏区域分割模块与边界分割模块分别设置了相应的损失函数进行监督训练.模型使用腹部器官分割挑战提供的数据集进行了消融实验并与先进模型进行了评估.结果证明该方法的有效性和优异性,提出的边界分割模块有助于保留肝脏的边缘信息,提高了肝脏分割的性能.     

关林子隧道下穿既有道路爆破振动影响

在下穿既有道路的新建隧道爆破施工中,爆破振动极易引起上部路面结构的损伤和破坏.以宝汉高速新建下穿316国道的关林子隧道为例,采用有限元法模拟路面关键点峰值振速、路面应力以及路面位移,并结合现场爆破振动与振速监测结果,对比分析爆破振动对既有道路的影响.主要研究结论如下:10个关键点爆破峰值振速均发生在掏槽眼爆破时,既有道路的应力以及路面位移均较小,不足以引起既有道路的破坏;根据数值模拟和现场测试结果,下穿段地表质点振速的合速度峰值不超过0.035 m/s时可保证既有道路安全.     

针对不可微多阶段算法的环境升级式强化学习方法

多阶段算法的研究目前已取得很大进展,但仍存在2个重要问题。在推理阶段,信息不能从下游反馈到上游。在训练阶段,当整个模型涉及不可微函数时无法进行端到端的训练,因此不同阶段不能联合优化。提出一种新的环境升级式强化学习方法来解决反馈和联合优化问题,该方法的框架结构是通过一个强化学习智能体将下游阶段与上游阶段重新连接起来,利用优化上游阶段的输出来训练智能体,以提高最终性能,同时根据智能体的策略对下游阶段(环境)进行升级,实现智能体策略和环境的联合优化。针对智能体和环境的不同训练需求,还提出了一种基于该框架的训练算法,并在实例分割和人体姿态估计实验中证明了其有效性。     

无人机低空遥感技术在道路安全监测及修复中的应用

随着遥感技术的不断发展,利用当今流行的无人机,可以方便快捷地采集地表信息。无人机低空遥感技术应用在道路安全方面具有一定的现实意义,它可以为广大车主提供安全警示,为道路监管部门提供辅助决策。通过对道路影像的采集、处理、计算和分析,找出存在安全隐患的路面障碍物,识别路坑,通过数字测图系统,计算路坑的半径大小和深度,根据不同的车速预判事故风险,为道路安全监测提供科学依据;同时,为已破坏的道路提供修复方案,估算修复所需材料数量,做到有的放矢,节约资源,提高效率。实验结果证明,通过无人机低空遥感技术,既可以为行车安全提供科学预判信息,又可以为道路修复提供相对准确的所需材料用量。     

面向对象的机载LiDAR数据建筑物提取

基于LiDAR数据,提出一种由粗到细的面向对象的建筑物自动提取方法.首先通过机载LiDAR数据构建出归一化数字表面模型(normalized digital surface model, nDSM),利用首尾两次回波高程计算出归一化差值(normalized difference, ND),并采用形态学运算消除边缘特殊回波点.基于nDSM和ND数据,依据建筑物的高程及穿透性信息,用阈值分割法进行建筑物粗提取.结合nDSM和ND数据以及强度信息,对粗提取得到的备选建筑物采取多尺度分割,合并亮度值相差较小的邻近分割结果对象,达到对分割结果的优化处理.最后利用目标对象的亮度、形状、面积和空间关系等特征,完成建筑物的精提取.实验结果表明,该方法可得到较高精度的建筑物信息,是基于机载LiDAR数据提取建筑物的新思路.     

一种区域统计信息的格子波尔兹曼图像分割模型

格子波尔兹曼(lattice Boltzmann, LB)分割模型具有算法简单、运算快捷的优点,但对于低对比度和受到噪声污染的图像,经常产生欠分割或者过分割现象.为此,引入图像局部区域统计信息,构建了一种新的格子波尔兹曼图像分割模型.为验证该模型及算法的分割性能,在相似性系数和豪斯多夫距离等评价技术指标下,利用真实脑磁共振图像作为实验数据进行分割,并与现有LB分割模型以及水平集分割模型进行对比.实验结果表明,该模型在分割精度方面比现有LB模型提高10倍,在计算速度方面比传统水平集分割模型提高3倍.     

基于Gabor特征和协同神经网络的车牌识别方法

研究了车牌字符识别问题,针对车牌识别系统易受天气及光照变化影响的实际应用,将Gabor特征和协同神经网络应用在车牌字符识别中,提高了识别率.首先对车牌字符进行二值化和切分,然后利用Gabor滤波器提取车牌字符的特征参数;再利用协同模式训练特征参数,进而得出训练样本;最后根据协同神经网络进一步识别车牌字符.通过大量仿真实验表明,该方法在不同场景、光照条件下,与传统方法相比,识别率有了较大改进,该方法在车牌识别领域有较强的实用性.