基于K-means方法的气象数据分区在公路养护的应用

随着交通运输的快速发展,公路养护在保障物流交通顺畅、支撑社会经济发展的作用越来越明显,但是同时,不利气象条件对交通的影响也越发显著。以内蒙古中西部地区为背景,抽取10个站点1年的平均风速数据,通过K-means聚类算法对该地区的风速情况进行聚类分析。通过数据聚类,可以有效对区域风力情况进行把握,有助于养护管理部门有效分配公路养护管理资金,做好预防性养护管理措施。通过研究可知,风速的聚类分析方法可提高公路养护的管理技术水平,为减少交通事故的发生提供了新的技术手段及解决方法。

基于LSTM的桥梁养护文本数据的命名实体识别方法

为高效抽取桥梁养护文本数据的关键实体信息,提升养护工作的效率和质量,提出基于LSTM的桥梁养护命名实体识别方法。为实现上述方法,在数据标注、人工智能模型可用性和模型架构优化方面进行研究和验证。在数据标注方面提出结合桥梁养护四要素标注原则,以有效提取桥梁养护文本中的核心信息。在人工智能模型可用性方面,在桥梁养护标注文本数据上测试基于LSTM的一系列命名实体识别模型,以验证人工智能模型在桥梁养护领域内的可用性。在模型架构优化方面,模型通过Dense Internal和Attention模块及超参数调整取得更优性能。这三方面的研究和验证工作为后续研究提供了数据标注的参考原则,人工智能模型引入桥梁养护领域的可用性依据和桥梁养护领域内架构优化的潜在方向。

基于卷积神经网络的混凝土桥梁表观病害识别模型

为响应交通强国公路数字化的转型号召,针对公路桥梁数字化技术研发与应用需求,从三维实景基础数据采集和病害识别分析模型方面研制量化快速分析评估软件。针对病害识别,基于卷积神经网络模型构建桥梁表观病害智能识别模型架构,并对桥梁表面典型病害数据集进行多种病害识别模型构建。为贴合实际应用环境,选取裂缝、脱落、渗水病害,提出了一种低样本训练图像识别算法。3种病害各选取100张图像以8∶2的比例进行训练和验证。最终以VGG16V2为基础构建的低样本优化训练模型的病害识别率相比原始VGG16V2算法模型提升了3.3%,针对3种病害的识别准确率为93.3%。为低样本下的病害识别模型训练提出的优化架构,有助于在低样本的情况下实现全自动化桥梁表观病害分类技术的研究,同时可以自动化的为目标检测等高度数据依赖的任务提供高质量的样本数据,节省人工,提高效率。