混凝土坝面作业场景智能识别ResNet50-SEMSF方法

为提高混凝土坝面作业场景识别工作效率,提出了一种混凝土坝面作业场景智能识别方法(ResNet50-SEMSF)。将采集的坝面施工现场监控视频分割为图像,分析混凝土坝面作业人、机、料、环境等实体要素图像特征,界定坝面作业典型场景;以残差网络(ResNet50)为骨干网络结构,引入挤压激励(SE)注意力机制,关注不同通道间特征关系,提升坝面作业场景图像中多目标实体要素关键特征表达能力;融合下采样多尺度特征,保留坝面作业场景图像低级特征和高级语义信息,增强模型对图像不同层次特征的理解能力,克服尺度变化、目标变形等问题。对比分析其他3种卷积神经网络模型试验结果,使用梯度类激活映射(Grad-CAM)可视化方法,解释ResNet50-SEMSF模型对场景类别中实体要素信息的关注程度。结果表明:ResNet50-SEMSF识别效果明显优于ResNet50、MobileNetV2、VGG16等经典网络模型,表明ResNet50-SEMSF模型用于混凝土坝面作业场景智能识别的可行性,为混凝土坝面施工安全管理工作提供参考。

空天目标雷达智能识别仿真系统设计与实现

雷达智能识别方法训练、测试与评估通常需要构建大样本的数据集,如何快速获得有效的数据集是亟待解决的问题。分析了空天目标雷达智能识别系统应用场景,并结合应用需求给出了空天目标雷达智能识别仿真系统建设思路;采用组件化、模块化设计方法,设计空天目标雷达智能识别仿真系统框架,构建空天目标智能识别仿真系统,快速准确模拟空天目标电磁特性和动态回波,具有可扩展、可重构能力。仿真结果和初步应用表明,该系统可用于不同应用场景下空天目标雷达智能识别方法的测试与评估。

基于深度残差网络的走滑断层智能识别方法——以塔里木盆地富满油田为例

走滑断层精细识别是断控缝洞型碳酸盐岩油气藏勘探开发的关键环节之一,但走滑断层的水平位移在垂直断层走向的地震剖面上不易识别,为此,提出了一种基于深度残差网络的走滑断层智能识别方法。该方法的网络模型由特征提取子网络、结构提取子网络和去噪卷积子网络3个子网络构成。特征提取子网络提取地震与断层预测映射的残差特征,结构提取子网络提取边界结构的残差映射实现断层解释的目标,去噪卷积子网络去除网络累计生成的噪声。网络在预测时采用了多层输出融合技术和迁移学习的方式,能有效避免高频特征信息的丢失,增强对不同规模断层分类解释的鲁棒性和泛化力。通过对合成记录验证分析可知,该方法对低信噪比地震资料情况下的小断距、弱走滑断层的识别精度高,预测的损失率低,预测断层连续性好,断层边界清晰,且抗噪性较好。塔里木盆地富满地区果勒西区块实际地震资料的应用结果表明,该方法对线性走滑断层、压扭辫状走滑断层和拉张辫状走滑断层等不同性质的走滑断层均有较好的识别效果。

多源车载数据驱动的地铁轨道不平顺智能识别方法

针对轨道不平顺检测成本高与时效性低等不足,从车辆动态响应与轨道不平顺之间的相关性为切入点,提出一种多源车载数据驱动的轨道不平顺智能识别方法。首先,建立地铁车辆系统动力学模型,获取车辆振动与运动姿态响应数据;其次,通过相关性分析算法,选取强相关性数据,制作网络模型数据集;最后,建立卷积神经网络-长短期记忆网络(CNN-LSTM),通过粒子群算法优化(PSO)神经网络模型参数,建立PSO-CNN-LSTM模型,实现对轨道不平顺的识别拟合。研究结果表明:在车辆动态响应信号中,与横向信号与轨道不平顺之间的相关性相比,垂向信号的更强,同时,车体的运动姿态如车体点头角速度与不平顺有明显的相关性。所提出的PSO-CNN-LSTM模型轨道垂向与横向不平顺识别拟合度分别达0.92和0.76。与经典的全连接神经网络FCNN和支持向量机SVR相比,PSO-CNN-LSTM有更好的识别效果与时效性。

黄河流域煤炭-煤电-煤化工场地特征精准智能识别方法及应用

黄河流域是“能源流域”,兼具生态环境治理和经济社会发展的重任,涉煤产业场地类型、数量及特征的精准智能识别是流域能源资源-低碳发展-生态保护的关键基础问题。研究融合多源数据与深度学习算法,从流域-基地-场地尺度对黄河流域13个大型煤电基地的煤基场地特征精准解析,获得煤电基地高精度、高质量的本底信息,提出一种实时实景智能识别涉煤产业空间特征的新方法。(1)筛选Google image、GF-6影像、Sentinel-2影像等多源数据,采集13个大型煤电基地煤基场地样本,构建煤炭场地(露天)、煤炭场地(井工)、煤电场地、煤化工场地4类数据集,涵盖21种样本类型。按照每种样本六面体设定6×10个样本,共计1 260个场地样本,分析得出最适样本数量-最高识别效率-最优识别模型的置信区间为80%~86%。(2)建立了煤基场地类型量化模型(Coal-based Site Classification Quantitative Model, CSCQM)和煤基场地范围特征模型(Coalbased Site Range Characteristic Model, CSRCM),模型平均精准度为0.837。明析了黄河流域涉煤产业场地本底信息,提出Google image底图叠加场地智能识别模型解算结果的高精度场地智能识别方法。(3)解析了流域神东煤炭-煤电产业集聚区精准本底数据,依据遥感生态指数(Remote Sensing Based Ecological Index,IRSE)分析,煤基场地分布2 km核心区地表生态质量受煤炭、煤电产业影响明显,5 km缓冲区则影响不明显,而8 km控制区基本不受煤炭、煤电产业影响,从而给出了“动态修复”与分区域、分阶段重点治理等低碳路径。(4)解析了流域宁东煤炭-煤电-煤化工产业集聚区精准本底数据,2022年煤炭场地17.81 km^(2)、占比34.1%,煤化工场地22.3 km^(2)、占比42.6%,煤电场地12.2 km^(2)、占比23.3%,煤化工场地>煤炭场地>煤电场地。进而采用PSR(Pressure-State-Response)模型得到风险管控综合得分53.93分,较2003年提高了27.2%。划分生态维护区、生产监测预警区、损毁修复重建区、其他调控区的分区管控模式。研究为涉煤产业煤基场地潜在污染控制、场地治理及区域生态修复提供技术方法与实践支撑。

改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明:本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压支架护帮板视频图像进行干涉状态识别试验验证,结果表明:对采煤机滚筒与液压支架护帮板干涉状态识别准确率为96%。

植物病害智能识别APP开发及实践教学应用

该文分析了传统植物病理实践教学存在的一些问题和弊端,利用卷积神经网络技术开发了植物病害症状和病原菌智能识别APP,并将之应用于实践教学,促进了学科交叉融合,丰富了教学内容,完善了实践教学评价体系。实践表明,植物病害智能识别APP在实践教学中效果显著,提高了学生的学习兴趣,便于学生个性化、精准化、自由化学习,有利于培养学生跨学科的创新思维和应用能力,为新农科复合型人才的培养提供了一种便利工具。

基于AttentionR2U-net的岩石(体)关键节理智能识别与参数提取

针对岩石(体)表面复杂节理网中关键节理的智能识别与参数提取问题,提出一种基于AttentionR2U-net网络与节理几何特征模型耦合识别的方法.在R2U-net网络的基础上引入注意门(attentiongate)改进网络,通过定性与定量的方法对边坡节理图像和混凝土、龟裂土、常见脆性岩石裂隙图像的识别结果分别作准确性及泛化能力检验;利用AttentionR2U-net网络耦合节理几何特征的方法识别关键节理,提取原始节理和关键节理的几何参数并对其迹长、面积及倾角作差异性分析.研究结果表明:针对岩石(体)节理识别,本文算法的Dice相似系数从U-net网络的0.965提升至0.990,且明显优于传统算法,故本文算法在岩石(体)节理识别上具有更强的可靠性与优越性;针对混凝土、龟裂土和大理岩、花岗岩、砂岩等脆性岩石裂隙的识别,本文算法的Dice相似系数均在0.953以上,故本文算法具有较强的泛化能力.与原始节理网络相比,关键节理网络优势迹长由0.732m显著增大至1.835m,节理倾角分布形式和优势倾角组均不变,优势迹长和倾角的节理占比均显著增大.

基于深度学习模型的油气管道焊缝缺陷智能识别

焊接技术在油气管道连接时广泛应用,确保焊缝区域可靠是保障油气管道安全运行的关键。受工艺和技术制约,油气管道焊接过程中可能出现不同类型的焊缝缺陷。针对油气管道焊缝部分缺陷尺寸小、缺陷与背景差异性较小导致焊缝缺陷识别效果不理想、人工识别工作量大等问题,提出了基于SCT-ResNet50模型的管道焊缝缺陷智能识别新方法。首先将焊缝区域图像输入特征提取网络;然后在特征提取的浅层使用SCC(Spatial Channel Context)进行局部空间和通道信息融合,在特征提取较深的层次使用ECA-MHSA(Efficient Channel Attention-Multi-Head Self-Attention)来捕捉长程依赖和上下文信息;最后通过全连接层和Softmax得到最终的缺陷识别结果。研究结果表明:(1)该新方法在油气管道X射线图像焊缝缺陷数据集上缺陷识别准确率达到98.28%;(2)相较于ResNet50、VGG16、DenseNet121、MobileNetv3和EfficientNetv2分类方法,其准确率分别提高了3.05%、46.05%、28.99%、15.95%和18.84%;(3)在缺陷尺寸小、缺陷和背景差异较小的场景下,该新方法在油气管道焊缝缺陷识别中具有更高的准确率。结论认为,该新方法的优势在于结合SCC模块与ECA-MHSA模块学习图像的局部信息和全局信息,能较好解决油气管道焊缝缺陷分类效果不理想的问题,为保障油气管道安全运输提供了技术支撑。

基于无人机影像深度学习的滑坡灾害智能识别

为精确识别和预警露天矿滑坡灾害,提出一种基于面向对象的标注数据集和Res-U-Net模型相结合的露天矿滑坡智能识别方法。首先,以无人机航测获取研究区矿山滑坡影像数据;其次,采用多尺度-光谱差异分割方法和阈值分离原理,对露天矿滑坡数据进行分割和分类,完成基于面向对象方法的滑坡数据集构建;然后,以U-Net网络作为基础架构,在每个卷积层融入ResNet的残差模块,构建基于Res-U-Net的滑坡识别语义分割模型;最后,识别不同方法构建的滑坡数据集,并对比Res-U-Net模型与主流的语义分割模型全卷积神经网络(FCN)、U-net。结果表明:基于面向对象标注的滑坡数据集相比于传统人工标注数据集具有更好的滑坡识别效果,在准确率、召回率、F 1分数和kappa系数上都有12%以上的提升;Res-U-Net模型的滑坡识别精度均在0.8以上,实现露天矿山滑坡灾害精准识别。

基于改进YOLOv5算法的无人机巡检图像智能识别方法

提出一种基于改进YOLOv5算法的无人机巡检图像智能识别方法。该方法构建无人机巡检图像的相邻图像独立坐标系,并利用相对定向法确定图像中共同目标的位置关系。将巡检目标统一转换至同一坐标系下,采用先进的分割技术提取目标纹理特征向量,为后续的图像识别提供了有力支持。在改进YOLOv5算法的过程中,特别注重多尺度网络的选择与融合激活函数及损失函数的优化组合。采用大疆无人机获取建筑裂缝巡检图像进行实验。结果表明,该方法能够在高效率下实现不同类型建筑裂缝的高精度识别,展现出优异的稳定性能。这一研究成果为无人机巡检图像的智能识别提供了新的思路和方法,具有广泛的应用前景和实际价值。

情感映射与涌现路径:青少年网络社交焦虑的智能识别——基于微博文本的计算扎根实证

微博文本是青少年社交心理的情感映射,计算扎根为青少年网络社交焦虑的智能识别提供了研究新视角。本文以半结构访谈法采集青少年网络社交焦虑的文本标本,借助StructBERT模型和TF-IDF算法采集微博平台的青少年网络社交焦虑文本,通过计算扎根探讨青少年网络社交焦虑的情感映射与涌现路径。研究发现,社交文本对青少年网络社交焦虑的情感映射呈现共性特征,且存在对类型与程度的颗粒映射,类型与场景存在较高的匹配关系,其涌现路径体现出青少年网络社交焦虑的场景、行为和应对已构成内在闭环。研究揭示了青少年网络社交焦虑的生成图景与智能识别路径,为青少年网络社交焦虑的智能干预提供了启示与借鉴。

基于绿色农业的计算机智能识别技术在农药喷施机械中的应用

在大规模农业机械化生产的驱动下,农业植保作业在满足高效率生产的同时,必须考虑降低喷施农药的污染问题,减少农药漂移引起的农作物及周边环境威胁。基于此,从绿色农业的理念出发,介绍了计算机智能识别技术特征及其在农药喷施机械中的应用情况与研究进展,分析了典型技术特征与应用价值,并总结了计算机智能识别技术应用于农药喷施机械的现存问题与建议,并对计算机智能识别技术在农药喷施机械中的应用前景进行展望。

人脸语音混合智能识别平台界面设计

设计说明:本产品来源于现阶段的社会需求。人脸和语音混合型智能识别平台是在特殊的、安全性高的工作领域中,开展面部和声音双重认证研究,以保证其准确性及安全性,同时通过双重识别进行发令人与命令执行权限的匹配。高效、准确、安全。

基于深度强化学习的图书馆架序智能识别方法

为了解决现有图书馆架序识别方法存在的不足,设计基于深度强化学习的图书馆架序智能识别方法。利用深度强化学习架构,确定架序识别规则,计算图书馆架序参数,识别图书馆架序中书号字符数据,确定书号字符识别系数的取值范围,实现基于深度强化学习的图书馆架序智能识别。实验结果表明,应用文中提出的识别方法,可使图书资源排列架序与规定架序保持一致,识别准确度较高,有效解决了图书馆管理中的图书乱架问题,具有较好的应用性能。

基于红外光谱技术智能识别润滑油的研究进展

机器学习作为人工智能发展的核心,在各行业得到快速发展,近年来也成为润滑油领域研究的热点之一,标志着润滑油的研究不再局限于大规模的试验研究,高通量数据、机器学习、优化算法开始应用于润滑油的研究。文章介绍了基于红外光谱技术在润滑油种类鉴别、润滑剂筛选、润滑性能评估和润滑监测等方面的研究进展,并对未来基于红外光谱技术应用于智能识别润滑油的研究进行了展望。

基于深度学习理论的电子商务商品实体智能识别

为了提升电子商务商品实体智能识别的准确性,提出基于深度学习理论的电子商务商品实体智能识别方法。首先将电子商务商品文本序列的各个字词转换为字词向量,并作为深度学习网络输入,然后深度学习网络根据上下文信息获取特征向量隐藏序列,产生字词向量矩阵,最后采用Self-Attention映射字词向量矩阵,训练获取权重矩阵,得到分数矩阵,并通过条件随机设置标注限制,输出电子商务商品命名实体识别结果。实验结果表明,深度学习理论可以提高电子商务商品实体智能识别效果,具有较高的实际应用价值。

基于卷积神经网络的大数据图像智能识别方法研究

利用卷积神经网络进行图像数据的识别与处理,能有效提高大数据图像识别的智能性,可以广泛应用于文学艺术、商务业务、工程建设等多个领域。实验表明,基于卷积神经网络的大数据图像智能识别方法误识率较低,具有明显的应用优势。

岩芯智能识别关键技术研究

在地质勘查过程中,地层信息的记录至关重要。文章提出一种基于图像识别技术的岩芯智能识别系统,旨在提高现场编录工作效率和岩芯识别的准确性。提出一套岩芯样本采集方法,实现对岩芯样本的标记和分类保存,使用PyTorch平台和Python语言进行算法研究和系统设计,研发五种岩芯的智能识别算法,并建立一套完整的岩芯智能识别系统。

花岗岩矿物正交偏光镜下图像人工智能识别研究

人工智能在地球科学领域中的应用是近年来研究的热点,对地球科学的发展有着重要意义,其应用之一就是使用计算机视觉技术实现岩石或矿物的自动化识别分类。然而,目前大多研究直接对岩石薄片图像进行分类,不能够精细定位并识别薄片中多且复杂的矿物目标。虽然现已有许多学者将目标检测技术应用于岩石矿物的图像识别分类中,但这些方法识别的对象大多是岩石手标本图像,只能对图像中的单一对象检测。在识别分类研究领域中,缺少对岩石薄片镜下图像识别的算法及质量较好的相关数据集。为了解决这些问题,本文首先采集了3000张正交偏光镜下花岗岩薄片图像,标注矿物样本10000余个,并通过数据增广方式对数据集进行增强,建立了一个质量较好、具有多样性的数据集。其次本文提出基于Yolov5x的改进算法RDB-Yolov5x。这种方法在特征提取过程中添加了密集连接方式,使用密集连接残差模块(RDB)替代传统的残差结构,有效地保留了图像的语义和位置信息细节。实验结果表明该方法泛化能力较好,在对图像中小尺寸、特征模糊的矿物颗粒的识别中表现出优秀的性能,可以准确有效地对花岗岩中的五类目标矿物(石英、黑云母、白云母、斜长石、钾长石)进行识别,平均精度均值m AP达到94.1%。较对比方法,在IoU阈值为50%时提高了0.5%,阈值为95%时提高了1%。