采用U-Net卷积网络的桥梁裂缝检测方法

针对传统的桥梁裂缝检测准确性不高、丢失细节信息、宽度信息获取困难等问题,提出一种采用U-Net卷积网络的像素级、小样本的裂缝检测方法。该方法使用多层卷积自动提取裂缝特征,并利用浅层网络与深层网络叠加的方法实现裂缝局部特征与抽象特征的融合,从而保留裂缝细节特征,使得检测准确性大大提升。对检测结果中出现的背景杂波和伪裂缝,采用阈值法和改进的迪杰斯特拉连接算法来实现裂缝的精细提取。最后,采用八方向搜索法实现裂缝宽度的精确测量。实验证明,所提方法能准确、完整地对桥梁裂缝进行提取,宽度测量准确,可以满足应用需求。

基于输电巡检图像的山火智能识别方法

山火严重威胁着输电设备的安全。文章基于深度学习目标识别算法,提出一种基于SSD网络模型的山火目标检测方法,并针对主干特征提取网络进行改进和优化,引用Inception分组卷积模块,从网络宽度的角度拓展网络,添加更加丰富的卷积核,提高模型质量,以实现山火特征的有效提取。此外,针对较大卷积核会导致计算量暴增的问题,提出在模块设计中采用各个分支不交叉、添加1×1卷积层等方式有效地减少网络参数,提高网络的检测速度。实验表明,所提方法能够准确地实现输电线监控场景中的山火检测,在检测准确率、置信度和边框回归效果方面表现出优良的性能。