脱空和不密实是隧道衬砌最常见的两种病害。在这两种病害长期作用下会导致隧道出现破裂、渗漏水、钢筋锈蚀,最终造成隧道塌方等问题,严重威胁行车安全。采用探地雷达对隧道进行无损探测是发现这些病害或缺陷的常见方式,但大量雷达数据...脱空和不密实是隧道衬砌最常见的两种病害。在这两种病害长期作用下会导致隧道出现破裂、渗漏水、钢筋锈蚀,最终造成隧道塌方等问题,严重威胁行车安全。采用探地雷达对隧道进行无损探测是发现这些病害或缺陷的常见方式,但大量雷达数据的人工识别存在着工作量大、效率低、强烈依赖人员的专业素养等问题。本文提出一种基于深度学习的隧道衬砌缺陷的自动检测方法——自监督多尺度池化区域卷积神经网络方法(Self-monitoring Multi-scale ROI Align Region Convolutional Neural Network,SMR-RCNN),以提高缺陷识别的效率,并减少主观因素的影响。在雷达探测隧道衬砌的实践中,数据量巨大,但缺陷样本却很少,这对训练神经网络是一个相当大的挑战。为此,设计了一种数据增强的方法来增加缺陷的样本数量,且使用一种自监督对比学习的网络模型来提取雷达数据的特征,然后将其迁移到改进后的Faster-RCNN网络模型中;最后,使用有标签的样本对改进的Faster-RCNN网络进行细调训练。实验结果表明,相较于传统的Faster-RCNN方法,本文提出的算法增强了神经网络对脱空和不密实两类缺陷的自动识别能力,在检测精度上得到了显著提高,mAP值提升了12%。展开更多
大数据对存储系统的可扩展性、性能和成本等方面提出了更高的要求。瓦记录(Shingled Magnetic Recording,SMR)硬盘由于存储密度高、价格便宜,正逐步被广泛应用于大数据存储系统。但是,SMR硬盘的随机写性能较差,与快速的基于闪存的固态硬...大数据对存储系统的可扩展性、性能和成本等方面提出了更高的要求。瓦记录(Shingled Magnetic Recording,SMR)硬盘由于存储密度高、价格便宜,正逐步被广泛应用于大数据存储系统。但是,SMR硬盘的随机写性能较差,与快速的基于闪存的固态硬盘(Solid State Drive,SSD)一起构成混合存储时可以显著提升性能。同时,基于写优化的日志结构合并(Log-Structured Merge,LSM)树的键值存储已被广泛应用于许多NoSQL系统,如BigTable,Cassandra和HBase等。因此,如何基于新型的SSD-SMR混合存储构建出高性能的LSM树键值存储系统是一个具有很大研究价值的问题。首先建立基于SSD-SMR混合存储的LSM树键值系统的性能模型,然后针对SSD和SMR的硬件特征以及LSM树键值存储的软件特点,设计了一套面向SSD-SMR混合存储进行性能优化的LSM树键值存储系统,并基于LevelDB实现了该系统。在仅仅使用0.4%~2%空间的SSD的情况下,所提方法可以使SSD-SMR混合存储方案比普通磁盘方案的随机写性能提高20%,随机读性能提高5倍。展开更多
文摘脱空和不密实是隧道衬砌最常见的两种病害。在这两种病害长期作用下会导致隧道出现破裂、渗漏水、钢筋锈蚀,最终造成隧道塌方等问题,严重威胁行车安全。采用探地雷达对隧道进行无损探测是发现这些病害或缺陷的常见方式,但大量雷达数据的人工识别存在着工作量大、效率低、强烈依赖人员的专业素养等问题。本文提出一种基于深度学习的隧道衬砌缺陷的自动检测方法——自监督多尺度池化区域卷积神经网络方法(Self-monitoring Multi-scale ROI Align Region Convolutional Neural Network,SMR-RCNN),以提高缺陷识别的效率,并减少主观因素的影响。在雷达探测隧道衬砌的实践中,数据量巨大,但缺陷样本却很少,这对训练神经网络是一个相当大的挑战。为此,设计了一种数据增强的方法来增加缺陷的样本数量,且使用一种自监督对比学习的网络模型来提取雷达数据的特征,然后将其迁移到改进后的Faster-RCNN网络模型中;最后,使用有标签的样本对改进的Faster-RCNN网络进行细调训练。实验结果表明,相较于传统的Faster-RCNN方法,本文提出的算法增强了神经网络对脱空和不密实两类缺陷的自动识别能力,在检测精度上得到了显著提高,mAP值提升了12%。
文摘大数据对存储系统的可扩展性、性能和成本等方面提出了更高的要求。瓦记录(Shingled Magnetic Recording,SMR)硬盘由于存储密度高、价格便宜,正逐步被广泛应用于大数据存储系统。但是,SMR硬盘的随机写性能较差,与快速的基于闪存的固态硬盘(Solid State Drive,SSD)一起构成混合存储时可以显著提升性能。同时,基于写优化的日志结构合并(Log-Structured Merge,LSM)树的键值存储已被广泛应用于许多NoSQL系统,如BigTable,Cassandra和HBase等。因此,如何基于新型的SSD-SMR混合存储构建出高性能的LSM树键值存储系统是一个具有很大研究价值的问题。首先建立基于SSD-SMR混合存储的LSM树键值系统的性能模型,然后针对SSD和SMR的硬件特征以及LSM树键值存储的软件特点,设计了一套面向SSD-SMR混合存储进行性能优化的LSM树键值存储系统,并基于LevelDB实现了该系统。在仅仅使用0.4%~2%空间的SSD的情况下,所提方法可以使SSD-SMR混合存储方案比普通磁盘方案的随机写性能提高20%,随机读性能提高5倍。
