基于稀疏编码字典学习的疵点检测

为了快速准确地实现背景纹理复杂织物的疵点检测,改善传统算法计算量大的缺点,提出基于稀疏编码字典学习的疵点检测算法.首先利用Radon变化对图像进行倾斜矫正,减小像素信息处理误差,再使用Gabor滤波器对矫正后图像滤波,消除噪声影响.接着对预处理后的图像,以一定尺寸窗口,滑动选取图像块构建输入样本集,采用K-SVD算法对无瑕疵样本集合进行字典学习,得到稀疏系数并重构,进而取得水平、垂直投影特征矩阵.最后利用已得到的字典与稀疏系数对待检测样本重构,求得其相对应的特征矩阵,并用结构相似法最终确定疵点区域.实验表明,该算法检测时间短,效率较高,平均可达92.3%.

基于深度学习的盾构掘进姿态预测模型

盾构掘进姿态的偏差变化和趋势,是现场管理者掌控项目施工安全与质量所需的关键信息。为了提高姿态控制的自动化与智能化水平,设计了基于小波变换(WT)与长短期记忆神经网络(LSTM)的预测模型WT-LSTM,通过历史施工数据对未来时刻盾构姿态参数进行预测,并对模型进行多次试验,以确定最优参数。在工程实例中,所提出的模型对各参数的预测均方根误差均较低。通过与其他方法的对比实验表明,所设计的模型能够实现根据历史数据准确预测未来时刻的盾构掘进姿态,辅助施工现场管理者和操作人员高效决策,提前规避异常掘进姿态,解决目前盾构施工人工决策低效、不稳定以及数据闲置等问题,对于保障盾构稳定掘进、减少盾构项目风险事故具有重要价值。

基于PCA-LSTM的盾构故障多标签预测模型研究

盾构是开展隧道施工的大型关键设备,在我国各类地下工程项目中的使用日益增多。为了保证盾构施工安全,预防施工故障发生,本文针对盾构施工中出现的多故障问题,采用深度学习方法中的长短期记忆网络(LSTM),设计了可处理时序数据的盾构故障多标签预测模型。根据某城市地铁项目中的实际数据,首先利用主成分分析法(PCA)对盾构施工参数进行特征提取,然后利用LSTM模型从集成了外部环境数据的盾构施工时序数据中,挖掘盾构机故障的发生规律,并通过适应多标签学习的交叉熵损失函数进行模型参数的优化,最后用基于多标签的评估指标对模型结果进行评估。实验结果表明该方法在盾构单故障和多故障的预测中都有较好表现,能够为盾实际构施工中的故障预防提供一定的指导。

深圳轨道交通十四号线施工安全管理系统研究

本文针对轨道交通高速发展下工程施工安全重要性,基于深圳轨道交通十四号线工程,研究开发一种基于AI视觉识别的城市轨道交通施工安全管理系统,针对不同场景建立识别预警模型,并提供统一管控检测入口,便于管理人员及时发现并处理,提高施工安全保障。

盾构大数据预处理方法研究

在盾构法隧道施工过程中,合理设置盾构机运行参数,确保盾构机能够按照一定速度掘进,是整个工程流程控制中非常重要的工作。针对现有的盾构参数预测方法缺少对数据系统性的分析和处理,导致预测效果不及预期的情况,文章提出了一整套新的数据预处理流程。该流程分为数据分析和数据处理两个阶段,第一阶段通过主成分分析、皮尔森相关性系数分析进行特征筛选,第二阶段通过插值平滑、卷积平滑进行数据平滑。经过这两个阶段的原始数据处理后,能够在盾构产生的海量数据中提取出特征更明显、价值更高的数据。通过选取真实盾构机数据集进行对比实验,结果表明,所提出的数据预处理流程,能够有效提高盾构机参数预测模型的准确率。

基于权重优化神经网络的盾构机掘进参数预测方法

为了使盾构机能高效地适应区间地质因素以及掘进参数变化的影响,从而在盾构施工的过程中更好地规避风险,提出了一种将正向神经网络模型与反向神经网络模型相结合的盾构机掘进参数的预测方法。本文基于某盾构数据平台在某区间的盾构隧道施工数据,首先,利用神经网络算法建立了一种用于预测复杂地质条件的盾构机掘进参数的正向模型;其次,在正向模型的基础上引入权重优化层进行分步训练,实现了对盾构机部分掘进参数的反向预测。实验部分将预测数据与真实的施工数据进行对比,结果表明:神经网络模型优于其他模型,而且通过本文提出的反向模型得到的预测值与原始数据变化规律一致。根据实验得出的结论,该方法使用的模型具有轻量级、泛化能力强的特点,符合现场施工要求,具有一定的实用价值。

基于隧道智能安全巡检机器人的人员穿戴识别模型研究

在轨道交通施工过程中需通过大量巡检工作保证隧道内安全,其中工作服和安全帽是安全防范中的关键因素。但是由于人工巡检成本较高、费时费力且无法及时获得巡检结果。为此,文中利用神经网络的图像识别方法,构建基于YOLO V4改进的轻量型检测模型,高效实时地对隧道人员的穿戴进行识别。将该模型应用于隧道巡检机器人,实际测试结果表明,该模型识别准确率可达98%,泛化能力更强,解决了图像质量差和光照对人员穿戴识别率的影响,提高了隧道内安全监测的智能化水平。

盾构工程领域的数据中台建设研究

一、引言新一轮科技革命和产业变革正在迅猛发展,全球经济正处在一个前所未有的变轨期。其中,数字经济代表了未来经济的发展方向,已成为经济增长的核心要素和企业竞争的关键领域。数据价值的日益彰显,使得数据成为助力经济转向高质量发展阶段的重要内容。数字化成为中央企业提升核心竞争力的关键。阿里巴巴最初提出数据中台概念,更多企业聚焦数据资产汇集、数据开发建模、数据服务。

基于智能网关的交通工程数据接入系统设计

针对交通工程中自动化设备通信接口协议不统一、数据格式不规范、数据孤岛现象普遍存在等问题,设计了一种基于智能网关的智慧工程数据接入系统。系统建立了标准化通信接口协议和数据格式规范,一方面利用智能网关直接接入自动化设备数据,另一方面从第三方系统接入数据,系统还对采集的数据进行清洗、加工、存储和订阅等一体化管理。系统应用于某隧道工程除渣管理系统,实现了对除渣自动化设备流水线中不同设备的统一管控,并对多源数据进行标准化输出,提升了数据的采集和应用效率。

基于故障树与贝叶斯网络的地铁盾构施工风险预测

在我国现阶段地铁盾构施工过程中,风险事故频发,预测盾构施工风险发生趋势、提高风险应对精准度已成为盾构施工风险管理的重要任务。文章设计了通过盾构机报警数据对盾构施工风险及其发展趋势进行预测的一套有效方法:首先采用故障树法,找到盾构施工重要风险与盾构机故障报警数据之间的关联;然后,以此建立基于贝叶斯网络的风险预测模型,运用贝叶斯网络的反向诊断推理技术计算最大可能路径,确定导致风险事件发生的关键盾构机故障,从而在发生该类故障时严控后续风险;最后,以某地铁项目为例,验证该方法的可靠性与适用性。所研究的方法与模型可以嵌入到各类盾构施工风险管理系统中,为施工现场提供风险预警支持。