基于决策树和层次分析的地铁车辆健康评估

随着地下轨道交通在各大城市规模的持续增长,地铁车辆逐步进入高密度、大负荷的运行状态,地铁车辆的安全性、稳定性也随之降低,地铁事故慢慢增多,地铁检修时间和检修成本与日俱增,传统的计划修与故障修已无法适应目前的检修现状。本文提出一种基于决策树和层次分析的地铁车辆健康评估方法,利用神经网络蒸馏的软决策树定性地判断地铁车辆是否为健康状态,然后利用层次分析法在专家打分和权重计算的基础上定量地评估地铁车辆健康状态的具体分数。实验表明,在定性算法最优的情况下,定量地对地铁车辆健康状态进行宏观评估与把控,可以有效地预测地铁车辆的健康状态,并且该方法具有较好的鲁棒性。

基于多源迁移学习的大坝裂缝检测

针对现有深度学习方法在进行大坝裂缝检测时出现模型过拟合、计算效率低下等问题,文中提出了一种基于多源迁移学习的大坝裂缝检测方法,旨在提高算法准确率的同时,减少模型计算量,加快检测速度。所提方法首先将MobileNet网络和SSD目标检测算法相结合,形成MobileNet-SSD网络,有效减少了模型参数量并减少了计算复杂度;然后利用道路裂缝、墙壁裂缝和桥梁裂缝等多源数据进行训练,并应用迁移学习的思想,将学习到的知识分别迁移到大坝裂缝的检测模型中,以提升模型检测的精确度;最后提出了一种多模型融合方法,将通过迁移学习得到的多个检测结果进行融合,进一步提升了检测结果的重合度。

基于众包的图片标注系统

在机器视觉系统的训练过程中,需要大量带有标签的图像来增强识别能力。传统的方法是召集一部分人进行独立注释,效率低,质量差。本文设计一个基于众包的图像标注系统。该系统利用协同过滤技术将图片推送给具有相应专业或兴趣爱好的志愿者,然后通过语义处理算法对同一幅图片的标签集进行整理和归类,最后得出准确有效的标签。实验结果表明,该系统比传统图像标注方法有更好的鲁棒性和更高的效率。