排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
2.
渗漏水是盾构隧道安全危害最大的病害之一,对盾构隧道渗漏水快速精准的检测,是有效控制及整治盾构隧道渗漏水的基础。现有的渗漏水检测方法在自动化程度方面均取得一定的成效,但存在数据采集效率低、现场采集环境要求高、训练数据样本量大等问题。针对上述问题,文章将移动LiDAR采集的盾构隧道强度图像作为数据源,提出了基于生成对抗网络的盾构隧道渗漏水检测方法,从现有的生成对抗网络V GAN模型出发,在标注少量样本的基础上,建立了Dense块作为编码器,残差块作为解码器的Unet模型作为生成器网络,运用改进的深度残差Unet(Improve ResUnet)作为判别器网络,组成DRUnet IRUnet GAN生成对抗网络用于盾构隧道LiDAR强度图像渗漏水检测。实验结果表明,当输入500张、200张、100张少量样本时,文章构建的DRUnet IRUnet GAN生成对抗网络能够达到优于V GAN的盾构隧道强度图像渗漏水检测效果,表明了所改进的网络具有良好的性能。 相似文献
3.
受扫描仪到扫描物体的激光测距值、激光入射角、大气衰减等因素的影响,相同目标的激光强度存在较大偏差。从激光雷达测距方程出发,分别对激光强度的距离效应和角度效应进行改正。激光强度与激光入射角的余弦大致呈线性关系,但激光强度的距离效应较为复杂,激光强度总体上不与距离的平方呈反比,因此提出了一种利用分段多项式模型来消除激光强度距离效应的方法。实验表明,提出的改正模型能对点云激光强度进行有效补偿,通过将激光强度分别进行角度改正和距离改正,能够有效消除由距离和入射角引起的强度偏差,使同类物体的激光强度趋于一致。 相似文献
4.
人工智能的发展程度取决于机器对环境的感知能力,即机器对场景理解的能力,这就离不开其中的核心技术—三维点云语义分割,虽然基于深度学习的三维点云语义分割网络层出不穷,但都存在局部特征利用不充分的问题,导致分割效果不佳。本文针对这个问题,受PointNet++和TSegNet的启发,设计了具有双层结构的CSegNet模型。首先,编码部分使用逐点卷积来取代PointNet层捕捉点云的局部特征;其次,解码部分使用PointDeconv层恢复原始点云结构;最后加入边缘卷积来更有效的提取局部特征,并解决边界不平滑问题。在S3DIS数据集上验证表明,CSegNet能更好的利用局部特征来进行分割,最终得到oAcc为88.7%,mIoU为73.7%的分割准确性。 相似文献
5.
以玉米秸秆(CS)、二硫化碳、氢氧化钠为原料,制备出二硫代羧基化玉米秸秆(DTCS)。考察了DTCS制备过程的影响因素,确定了DTCS的制备条件。结果表明:在秸秆粒径10目(2.0 mm)、浸泡时间45 min、CS/CS_2/NaOH质量比1∶1∶2、预反应温度25℃、预反应时间30 min、主反应温度40℃、主反应时间1 h的条件下制备的DTCS对Cd(Ⅱ)的去除效果最好,Cd(Ⅱ)的最高去除率可达100%。DTCS的红外分析结果表明,CS分子链中成功引入了二硫代羧基。 相似文献
1