基于YOLO改进算法的远程塔台运动目标检测

远程塔台由于其低成本高时效远程实时控制技术正越来越受到民航业界的青睐,其中运动目标自动检测和显示是远程塔台的核心技术,作为增强现实技术更好地为管制员提供服务。本文在分析了远程塔台机场场面背景复杂、场面目标多为远场景、小目标等特点基础上,提出了一种改进的YOLO算法来实现远程塔台运动目标的检测,算法核心思想以Darknet-53为基础网络,多尺度预测边界框,以运动目标图像坐标（x,y）的偏移量作为边框长宽的线性变换来实现边框的回归,改善了传统YOLO算法损失函数不同大小的边框未做区分的问题,提高了检测准确性和速度。机场真实数据实验表明,该算法能快速、准确的检测出远程塔台的运动目标,并准确的回归运动目标边框及分类。     

基于You Only Look Once v2优化算法的车辆实时检测

针对基于You Only Look Once v2算法的目标检测存在精度低及稳健性差的问题,提出一种车辆目标实时检测的You Only Look Once v2优化算法;该算法以You Only Look Once v2算法为基础,通过增加网络深度,增强特征提取能力,同时,通过添加残差模块,解决网络深度增加带来的梯度消失或弥散问题;该方法将网络结构中低层特征与高层特征进行融合,提升对小目标车辆的检测精度。结果表明,通过在KITTI数据集上进行测试,优化后的算法在检测速度不变的情况下,提高了车辆目标检测精度,平均精度达到0.94,同时提升了小目标检测的准确性。     

基于深度学习的道路表面裂缝检测方法

道路表面裂缝检测是道路安全检测的一项重要指标,随着计算机视觉技术的不断发展,越来越多的基于深度学习的目标检测方法被应用到裂缝检测中.然而这些检测方法大都是对裂缝位置的粗略的检测或分类,无法定量的衡量裂缝为了定量衡量裂缝,提出了一种基于深度学习的像素级道路表面裂缝检测方法.使用卷积神经网络对裂缝原始图像进行分割得到裂缝的二值化图像,并实现对裂缝的面积、长度、平均宽度的自动计算,提高了测量效率并降低了检测成本.实验表明,本系统对裂缝面积测量准确率达到93％,长度测量准确率达到92％,平均宽度测量准确率达到89％.     

基于目标检测的混凝土坝裂缝实时检测方法

裂缝是大坝最常见的损伤之一，可反映大坝的受力状态和安全性。针对混凝土坝裂缝传统检测算法速度慢、精度低、泛化性能不足等问题，该文基于目标检测神经网络YOLOX(you only look once x)深度学习目标检测算法，提出一种混凝土坝表观裂缝实时检测方法(YOLOX-dam crack detection,YOLOX-DCD)。该方法对YOLOX目标检测神经网络进行改进，首先在网络结构中加入卷积注意力机制，使网络更关注裂缝特征，提高检测效果；其次引入完全交并比(complete intersection over union,CIoU)作为目标定位损失函数；最后在自制的混凝土坝裂缝数据集上进行实验评估，并与现有的多种目标检测神经网络进行对比。结果表明：该文所提方法具有速度快、精度高、参数少的特点，且明显优于经典目标检测算法。因此，该文所提方法能满足混凝土坝裂缝检测高效、精确、实时的要求，可为混凝土坝裂缝检测提供技术支持。     

混凝土裂缝深度检测技术研究

根据超声波检测混凝土裂缝深度的原理,推导出换能器跨缝不对称布置测量时裂缝深度的计算公式.     

浅谈商品混凝土构件裂缝的预控

结合具体建设项目,分析了商品混凝土构件裂缝产生的原因,从设计、施工、原材料准备3方面详细介绍了混凝土构件裂缝的预控方法。     

从三个方面阐述混凝土构件产生裂缝的处理

本文从混凝土结构设计施工的角度，论述了混凝土构件产生裂缝的原因及控制措施。     

基于改进的种子填充算法的混凝土裂缝图像识别系统

为改善传统裂缝识别算法抗干扰能力差、识别精度低等问题,通过改进现有种子填充算法,建立了混凝土表存裂缝图像识别系统,实现了裂缝信息的准确提取。预处理中,提出光照不均匀系数筛选算法对图像进行快速筛选,提高了匀光处理效率;裂缝识别中,对既有种子填充算法进行了改进,使之能自动确定裂缝的生长点,并结合八方向搜索方式和相对阈值法的边界判断实现了裂缝的图像分割,最后利用连通域滤波剔除了一系列复杂背景干扰;在特征提取阶段通过引入形态学处理、毛刺剔除及节点欧式距离等手段,准确获取了裂缝条数、长宽等量化信息。与传统混凝土裂缝图像识别算法相比,该图像识别系统实现了效率和精度更大程度的统一,且裂缝长、宽值的提取误差控制在了10%以内。     

基于深度学习算法的OFDM信号检测

为了提高正交频分复用(OFDM)无线通信系统的信号检测能力,提出了一种基于深度学习(DL)算法的信号检测框架来代替系统信号检测模块.首先利用迫零(ZF)均衡器重构深度神经网络(DNN)的输入;然后在离线训练中增加预训练阶段,以导频符号和数据符号作为训练数据,为训练阶段提供良好的初始参数;最后在线信号检测通过加载离线训练获得的最优参数进行信号检测.实验结果表明:当信噪比(SNR)为25 dB时,无预训练阶段和无ZF均衡器的框架性能相对于完整的DL信号检测框架性能分别损失了2和4 dB;在导频符号数目减少和无循环前缀(CP)的情况下,DL框架的误码率相比传统方法均明显下降;在不同信道参数下,DL框架的性能损失比传统方法更小.ZF均衡器和预训练阶段均可提高DL框架性能,DL框架能更好地检测信号并具有较强的鲁棒性.     

基于深度学习的建筑表面裂缝缺陷识别

针对传统建筑表面裂缝缺陷中存在识别效率低下、且识别精度较低的问题,为此,提出了基于深度学习的建筑表面裂缝缺陷识别方法。首先采集建筑表面裂缝缺陷的图像数据,然后将采集图像采样与量化,以实现缺陷图像的数字化处理。将上述数字化后的图像数据进行阈值分割、滤波以及以及增强等,完成建筑表面图像的预处理;构建R-CNN深度学习模型,模型结构分为四部分,包括输入图像模块、生成模块、提取卷积特征模块以及分类和边框回归模块。将建筑表面裂缝图像输入构建的深度学习模型中,完成建筑表面裂缝缺陷的识别。实验结果表明,采用所提方法识别建筑表面裂缝缺陷的效率较高,且识别的精度较好。     

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.     

超声平测法检测钢筋混凝土结构裂缝深度

已有的理论和试验研究主要解决的是裂缝的宽度检测,裂缝深度检测技术仍然是当今最热门的研究课题。文章介绍了超声平测法检测钢筋混凝土结构裂缝深度的基本原理,在此基础上推导了超声波在经过钢筋混凝土中的传播速度计算式;并验证了计算公式和试验原理的可行性;最后讨论了该检测方法的适用范围。     

基于神经网络的混凝土构件质量识别

将现有动态信号处理、模式识别等诊断技术与神经网络相结合,应用于混凝土构件的质量识别中,通过对实际构件有关数据的分析处理,表明利用BP神经网络进行混凝土构件质量评估实用可行,可使计算过程简单化,评价标准统一化.     

基于神经网络的混凝土构件质量识别

将现有动态信号处理、模式识别等诊断技术与神经网络相结合 ,应用于混凝土构件的质量识别中 ,通过对实际构件有关数据的分析处理 ,表明利用BP神经网络进行混凝土构件质量评估实用可行 ,可使计算过程简单化 ,评价标准统一化     

混凝土裂缝深度的激光超声探测方法

为探究激光超声技术检测混凝土裂缝深度的可行性,首先,建立平面应变的有限元模型,研究激光激发的表面波与混凝土表面裂缝的作用规律;其次,分析表面波与裂缝前沿(波与裂缝最先作用的纵向边沿)作用的散射回波特征,讨论裂缝深度对散射回波特征点时间差的影响;最后,在自主研制的激光超声试验平台上,采用激光扫描混凝土表面激发声场、表面波...     

基于深度学习的电影推荐算法

提高推荐系统的推荐性能过去一直是一个非常大的挑战,因为在进行推荐的时候要同时兼顾推荐结果的准确性和计算推荐结果的计算时间。基于上述问题,提出一种基于深度学习的推荐算法,通过深度学习的方法挖掘用户和电影的特征、训练模型,从而提高推荐算法准确性。同时,通过神经网络提取用户和电影的特征,而不是基于用户对电影的评分矩阵,解决了推荐系统中的稀疏性问题和冷启动问题。最后在真实的数据集上进行实验,验证推荐算法的准确性。     

浅谈水工混凝土构件产生裂缝的成因及预防

在工程施工过程中存在混凝土产生裂缝的现象特别多,根据不同的情况,做了不同的处理措施方法。相信随着科技的不断发展一定还会出现许多新型高效的处理方法,但归根结底我们还是应该首先做好混凝土的施工工作,从原材料、施工工艺、后期养护等方面加强工作,从而在根本上杜绝各类混凝土裂缝的产生,这才是治本之策。     

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...     

基于数字图像的混凝土桥梁裂缝检测技术

应用visual C++6.0语言编制程序,研究了基于数字图像的桥梁裂缝检测方法,深入分析评价了图像灰度化、棋盘格角点求解像素率、滤波除噪、边缘检测等图像处理算法,实现了基于视频(或图像)的桥梁裂缝宽度计算和软件系统,并用15幅桥梁裂缝图像验证了其裂缝检测精度.结果表明:本文提出的裂缝识别方法能较好地用于钢筋混凝土桥梁和B类预应力混凝土桥梁的裂缝检测,当裂缝宽度大于0.3 mm时,图像计算出的裂缝宽度值与实测值非常接近,相对误差在6％以内;当裂缝宽度为0.2～0.3mm时,相对误差在10％以内.     

基于深度强化学习的卫星信道动态分配算法

在卫星通信系统中,频率和信道是十分珍稀的资源,针对如何利用可靠且高效的方法来进行资源的开发这一亟需解决的难题,提出了一种基于Q-learning深度强化学习的动态卫星信道分配算法DRL-DCA,该算法将卫星和环境交互建模为马尔科夫决策过程,通过环境的反馈提升卫星的决策能力,实现用户业务请求的高效应答,提升卫星通信的服务质量,降低通信阻塞发生概率。仿真分析表明该算法能够有效地提升通信的吞吐量,降低通信的阻塞率。