风载荷下树木稳定性的无损评估方法

为解决树木在风载荷下易发生安全事故,造成人员伤亡和财产损失的问题,研究一种基于无损重构技术和有限元分析的风载荷下树木稳定性的评估方法,通过探地雷达(Ground Penetrating Radar, GPR)无损获取根系构型,结合三维重构技术和阻力公式构建风载荷下的树木模型,根据模型的有限元分析结果评估树木稳定性状况。通过仿真和对古侧柏(Platycladus orientalis)现场试验,分析不同根系构型和不同土壤参数对树木稳定性的影响。结果表明,水平浅根和土壤参数是影响树木稳定性的2个重要因素,得到与现有研究中相同的等效应力变化趋势。研究证明GPR所获取的根系构型可以作为树木稳定性的重要评价指标,验证研究结果在实际树木风险评估工作中的可行性。

基于深度学习的树木根系探地雷达多目标参数反演识别

【目的】使用深度学习方法实现对根系雷达图像的多目标检测和多参数估计。【方法】构建了一种以YOLOv5s和CNN-LSTM为主要框架的网络模型实现对根系雷达扫描图像的多目标检测和多参数估计。首先,通过仿真模拟和预埋试验获取试验所需的根系雷达剖面图数据,同时为了增加数据的多样性,使用CycleGAN风格迁移网络获取了一批具有真实雷达图像特征的仿真数据;然后,使用YOLOv5s目标检测网络识别并提取根系响应区域;接着引入频域变换,获取频域特征,并将根系雷达图像的时域特征和频域特征融合;最后,利用卷积神经网络、卷积注意力机制以及长短期记忆网络强调和提取与根系参数相关的信息特征,并使用多任务学习的方法实现对根系半径、深度、相对介电常数以及水平倾角的预测。【结果】(1)仿真试验中,根系半径估计的最大误差是4.3 mm,R^(2)为0.980,均方根误差为1.32,深度估计的最大误差是35.1 mm,R^(2)为0.962,均方根误差为17.68,相对介电常数估计的最大误差是3.1,R^(2)为0.960,均方根误差为1.10,水平倾角估计的最大误差是10.2°,R^(2)为0.821,均方根误差是4.96。(2)在实测数据上对根系半径估计的平均相对误差是9.112%,深度估计的平均相对误差是5.772%,水平倾角估计的平均相对误差是11.25%。【结论】本文提出的基于深度学习与探地雷达的多目标检测方法可以为根系检测和根系参数估计提供便利。

探地雷达树木根系定位与直径估算

针对树木根系的探地雷达(Ground Penetrating Radar,GPR)检测图像复杂、解译困难、自动化程度低且精度不高等问题,该研究提出了一种基于YOLOv3的树根自动识别和参数估计的方法。通过不同的根预埋试验分析了根直径、掩埋深度和朝向对根系识别和预测的影响,对比评估了在复杂现场环境下该方法与商业软件常用的阈值分割方法的识别效果。结果表明算法可实现根系自动提取和双曲线顶点定位,对根双曲线的识别准确率和召回率分别达到了96.62%和86.94%,根系参数预测的总平均相对误差在10.57%以内。该方法具有较高的识别准确率和鲁棒性,可实时地对树木根系进行检测并进行根系参数预测,对树木根系无损检测具有重要意义。