基于改进DeepCrack网络的山区地裂缝检测算法

针对山区地表裂缝检测存在背景复杂、裂缝和背景像素比例不均衡现象,以及传统裂缝检测算法的效果差,精度低、泛化性能不足等问题,提出采用DeepCrack网络作为基本构架,同时对基础网络进行改进,在网络中加入位置注意力机制,调整损失函数,并将优化器换为Adan优化器。为证明所提出算法的有效性和准确性,将DeepCrack数据集与人工标注的数据集结合,采用F-feature指标来评估检测性能。实验结果表明,改进算法在数据集相对原算法整体精度提升1.61%,因此改进算法提升了裂缝检测的准确性,具有较好的检测效果。

Coordination and evolution mechanism of fractal crack network in mining rock mass destruction

Based on the natural characters of stratum, complicated geological mining conditions and the essence of mining rock mass destruction, the complexity of rock mass destruction caused by miningw as analyzed. The inner link between rock mass destruction phenomena caused by mining and nonlinear science was revealed. There are numerous cracks in natural rock mass. The cracks’ distribution is irregular and is of statistical fractal structure. Self-organizational nonlinear evolution of the inner structure flaws leads to the rock mass destruction with external force. The evolution includes single fault’s fractal development, formation and evolution of fractal crack network and coordination of fractal crack network, etc. The law of fractal crack network’s evolution was introduced, at the same time, the coordination of fractal crack network was analyzed. Finally, based on coordination the principal equation of mining-caused subsidence of structural rock mass was established and its steady-state solution and unsteady-state solution were found.

基于M-Unet的混凝土裂缝实时分割算法

针对主流深度学习裂缝分割算法消耗大量计算资源、传统图像处理方法检测精度低、丢失裂缝特征等问题,为了实现对混凝土裂缝的实时检测和在像素级水平上分割裂缝,提出一种基于轻量级卷积神经络M-Unet的裂缝语义分割模型,首先对MobileNet_V2轻量网络进行改进,修剪其网络结构并优化激活函数,再用改进的MobileNet_V2替换U-Net参数量巨大的编码器部分,以实现模型的轻量化并提升裂缝的分割效果。构建包含5160张裂缝图像的SegCracks数据集对提出方法进行验证,试验结果表明:优化后的M-Unet裂缝分割效果优于U-Net、FCN8和SegNet等主流分割网络和传统图像处理技术,获得的IoU_Score为96.10%,F1_Score为97.99%。与改进前UNet相比,M-Unet权重文件大小减少了7%,迭代一轮时间和预测时间分别缩短了63.3%和68.6%,IoU_Score和F1_Score分别提升了5.79%和3.14%,并且在不同开源数据集上的交叉验证效果良好。表明提出的网络具有精度高、鲁棒性好和泛化能力强等优点。

基于卷积神经网络的无人机成像桥梁裂缝检测方法研究

针对桥梁裂缝病害检测困难、裂缝宽度计算精度不高的问题,提出基于卷积神经网络的无人机成像桥梁裂缝检测系统,获取桥梁裂缝图像并提取裂缝,精确计算最大裂缝宽度。该系统改造无人机实现对桥梁底面和侧面图像的采集。首先采用神经网络模型筛选出裂缝图像;然后根据所采集到的图像特点,搭建基于卷积神经网络(Convolutional Neural Network,CNN)的裂缝滑动窗口检测(Slide Crack Detection,SCD)模型,进行图像的小窗口滑动识别以提取裂缝,并与采用基于裂缝图像统计特征的改进中值滤波去噪算法对比裂缝提取效果;最后提出裂缝分类及最大裂缝宽度计算方法,并与裂缝实测结果进行对比。结果表明:该无人机成像桥梁裂缝检测系统对裂缝图像的扰动小,裂缝提取效果更精确,该系统检测并计算的最大裂缝宽度相对实测结果误差在0.05 mm以内,满足桥梁裂缝检测要求。

数据驱动的半无限介质裂纹识别模型研究

缺陷识别是结构健康监测的重要研究内容,对评估工程结构的安全性具有重要的指导意义,然而,准确确定结构缺陷的尺寸十分困难.论文提出了一种创新的数据驱动算法,将比例边界有限元法(scaled boundary finite element methods,SBFEM)与自编码器(autoencoder,AE)、因果膨胀卷积神经网络(causal dilated convolutional neural network,CDCNN)相结合用于半无限介质中的裂纹识别.在该模型中,SBFEM用于模拟波在含不同裂纹状缺陷半无限介质中的传播过程,对于不同的裂纹状缺陷,仅需改变裂纹尖端的比例中心和裂纹开口处节点的位置,避免了复杂的重网格过程,可高效地生成足够的训练数据.模拟波在半无限介质中传播时,建立了基于瑞利阻尼的吸收边界模型,避免了对结构全域模型进行计算.搭建了CDCNN,确保了时序数据的有序性,并获得更大的感受野而不增加神经网络的复杂性,可捕捉更多的历史信息,AE具有较强的非线性特征提取能力,可将高维的原始输入特征向量空间映射到低维潜在特征向量空间,以获得低维潜在特征用于网络模型训练,有效提升了网络模型的学习效率.数值算例表明:提出的模型能够高效且准确地识别半无限介质中裂纹的量化信息,且AE-CDCNN模型的识别效率较单CDCNN模型提高了约2.7倍.

DIAGNOSTICS OF FATIGUE CRACK IN ULTERIOR PLACES OF LARGER-SCALE OVERLOADED SUPPORTING SHAFT BASED ON TIME SERIES AND NEURAL NETWORKS

To improve the diagnosis accuracy and self-adaptability of fatigue crack in ulterior place of the supporting shaft, time series and neural network are attempted to be applied in research on diag-nosing the fatigue crack’s degree based on analyzing the vibration characteristics of the supporting shaft. By analyzing the characteristic parameter which is easy to be detected from the supporting shaft’s exterior, the time series model parameter which is hypersensitive to the situation of fatigue crack in ulterior place of the supporting shaft is the target input of neural network, and the fatigue crack’s degree value of supporting shaft is the output. The BP network model can be built and net-work can be trained after the structural parameters of network are selected. Furthermore, choosing the other two different group data can test the network. The test result will verify the validity of the BP network model. The result of experiment shows that the method of time series and neural network are effective to diagnose the occurrence and the development of the fatigue crack’s degree in ulterior place of the supporting shaft.

大学生网络群体极化的类型、成因、困境及破解路径

随着互联网的应用和普及,网络已成为大学校园舆情传播的重要阵地,对高校思想政治教育的影响愈来愈深,尤其是舆情的网络群体极化现象给高校思想政治教育带来严峻的挑战。现阶段,应深刻认识大学生网络群体极化的主要样态及成因,探究大学生网络群体极化下高校思想政治教育的现实困境,通过引导“主基调”、破除“闲杂音”、画大“同心圆”、唱响“主旋律”、构筑“新格局”等路径,破解大学生网络群体极化对高校思想政治教育影响。

基于可变形卷积网络和YOLOv8的衬砌裂缝检测模型研究

为解决裂缝性状发育随机度高、标注框分辨率低、分布密集易重叠、目标相对小等因素引起的智能检测精度及效率差等问题,基于改进可变形卷积神经网络对YOLOv8骨干网络进行融合,提出1种能够适应隧道复杂场景的裂缝检测模型D-YOLO。模型首先对第3版可变形卷积网络(DCNv3)的空间聚合权重softmax归一化步骤进行去除以增强网络卷积效率,再利用新DCNv4对骨干网络C2f卷积模块进行融合以提升对网络图像中不同尺度裂缝性状及空间位置变化的细节感知能力,并采用自建裂缝数据集对SSD,Faster-RCNN,YOLOv5和YOLOv84种检测模型进行对比验证。研究结果表明:D-YOLO的F_(1)分数为80.82%,mAP@0.5为86.90%,相较于SSD、Faster-RCNN、YOLOv5和YOLOv8都有所提升;D-YOLO的单张图像检测速度为20.36 ms,相较于各种对比模型分别加快37.06%、65.33%、45.22%和28.39%;同时,D-YOLO对衬砌裂缝图像特征关注范围有所增加。研究结果可为隧道运营期内衬砌安全检测提供新思路。

基于深度学习的桥梁表观裂缝检测算法研究

针对在复杂背景条件下难以直接对桥梁表观裂缝进行检测的问题,文章提出一种基于深度学习的桥梁表观裂缝检测算法。首先利用滑动窗口算法将采集到的桥梁表观裂缝图像切分为小尺寸的桥梁裂缝面元图像和桥梁背景面元图像,并根据对面元图像的分析,提出一种基于Inception网络和残差网络(ResNet)的桥梁裂缝分类模型,用于桥梁裂缝面元和桥梁背景面元的识别;然后结合桥梁裂缝分类模型与滑动窗口算法对桥梁表观裂缝图像进行检测;最后利用数字图像处理技术测量裂缝宽度。结果表明:该文算法对桥梁表观裂缝有超过99%的分类精度,可满足实际工程需要;实现了裂缝的提取并能准确地定位出裂缝在图像中的位置;根据成像原理能测量出裂缝宽度。与传统的深度学习模型相比,该模型拥有更高的执行效率,可用于大规模检测,更易于应用在桥梁健康检测中。

基于改进深度学习网络对裂缝检测研究

提出了一种运用于混凝土裂缝检测的模型yolov5-slC,该方法建立在yolov5模型的基础上,改进yolov5s网络结构,将普通卷积替换为轻量卷积GSConv,在此基础上继续引用slimneck结构,降低网络复杂度的同时并未丧失精度,缩短检测时间,减少计算量;引入轻量化上采样算子CARAFE,减少了计算开销。与原yolov5s相比,该方法的mAP_(50)提高了3.5百分点,mAP95提高了9.4百分点。在试验数据集和补充数据集进行可视化对比,yolov5-slC均表现良好,能高效精确地为混凝土裂缝检测提供新方法。

基于轻量化PE-YOLO的桥梁裂缝检测算法研究

针对桥梁裂缝种类和尺度多样造成的目标检测模型精度不高以及模型参数量大等问题,提出一种基于YOLOv5l高效、轻量化的裂缝检测算法PE-YOLO。该方法利用PP-LCNet替换YOLOv5l骨干特征提取网络,以减少网络参数数量、降低网络计算复杂度、提高网络检测速度,使其便于在移动设备和嵌入式设备上部署;在预测部分增加高效通道注意力机制(Efficient Channel Attention,ECA),旨在增强模型对裂缝的表征能力。结果表明:提出的PE-YOLO算法相比于YOLOv5l算法,平均精度均值(mAP)基本持平,参数量和GFLOPs分别减少了2.0倍和2.6倍,推理速度降低了2.0倍,FPS提高了1.8倍,有效满足了桥梁裂缝检测的需求。

面向涂层裂纹的激光熔覆预测模型研究

针对激光熔覆关键工艺参数与制备涂层之间因存在复杂非线性映射关系而产生的裂纹缺陷问题,通过将遗传算法与BP神经网络结合起来构建工艺参数与涂层裂纹密度之间的网络模型,利用MATLAB软件对建立的网络模型进行训练、拟合预测。结果表明,遗传算法对BP神经网络优化后的模型中预测误差最小为3.06%,平均误差控制在11.57%以内,均方误差为0.0008,模型预测精度高,性能稳定。验证了理论模型与实际试验相结合的可行性,减少了涂层裂纹工艺研究所需的大量重复性试验,为制备无裂纹镍基熔覆层具有重要意义。

基于融合多尺度多通道特征的深度监督网络实现裂缝检测

针对卷积神经网络在提取宽裂缝时,浅层卷积层在提取一些细节信息的同时也提取到了大量噪声的问题。提出了一个基于VGG-16骨架并融合深层特征的全卷积神经网络(fully convolutional network,FCN)分割网络,并在每层加入侧边输出以直接监督模型学习到更多的有用信息。此外,还采用了一种Focal Loss损失函数来解决数据集本身正负样本分类不平衡的问题。这种多尺度多通道深层特征与独特的损失函数融合应用,使网络具备很强的抗干扰性和较快的收敛速度。在DeepCrack数据集上,所提出的深层特征融合网络(deep feature fusion network,DFFN)与整体嵌套边缘检测(holistically-nested edge detection,HED)、FCN和DeepCrack相比,表现出更好的性能和更快的推理速度。

基于宽残差网络的半监督路面裂缝识别方法

“村村通”工程改善了农民出行条件,但十多年过去路面破损严重,大多需要维修养护,路面裂缝是其中最常见的一种道路破损类型。为提高养护效率,需要对道路裂缝进行准确分类。本研究基于宽残差网络的Mix Match半监督深度学习模型,用于路面裂缝识别方法和分类。改进宽残差网络,设计算法Mix Match,降低数据标注工作量。所提方法仅使用10%的标记数据对路面裂缝识别准确率为91.25%,识别横向裂缝、纵向裂缝和龟裂的F1-score值分别为92.37%、96.20%和90.24%。与传统的VGG16、Res Net50、Alex Net、Mobile Net V3四种模型相比,准确率分别提高了8.08%、0.6%、8.89%、6.97%。实验结果表明,所提方法不仅能够提供路面裂缝的类别信息,减少样本标签标注的工作量,也可直接用于路面状况评价。

交通基础设施裂缝病害图像增广方法

基于深度学习的交通基础设施裂缝检测模型依赖于大规模的数据进行训练。针对特定交通设施场景下多种形态的裂缝样本图像难以获取的问题,文中提出了一种基于Pix2PixHD模型的交通基础设施裂缝病害图像增广方法。首先,基于收集的少量裂缝图像数据,利用Pix2PixHD模型建立裂缝病害的真实图像和标注标签之间的空间映射关系;然后,编辑标签域中的对象,通过迁移其他数据集标签、人工编辑、图像形态学膨胀操作、随机叠加操作等生成表征多种形态的裂缝轮廓;最后,将编辑后的标签域通过Pix2PixHD模型转换回图像域,以实现交通基础设施裂缝数据集的自适应增广。文中考虑了主要的交通基础设施材料和结构(沥青路面、隧道衬砌和混凝土材料结构),选取GAPS384、Tunnel200和DeepCrack数据集进行实验。结果表明:通过扩增数据集训练的U-Net模型,检测精度更高,更易于跳出局部最优解;相比于DCGAN模型,文中方法能够控制裂缝的形态且保证骨架的连续性,可以有针对地提高原有裂缝数据集的形态多样性,使检测模型在特定交通基础设施场景下具有更好的泛化能力。

飞机结构X射线裂纹图像智能评定

飞机结构X射线图像评定过程存在复杂背景下裂纹分割不准确、检出难等问题。基于高效层聚合网络提出一种飞机结构X射线裂纹图像智能评定模型(ELAN-Seg),将ELAN-Seg模型和DeepLabv3+模型的射线图像裂纹分割能力进行对比,结合图像处理技术对模型分割的裂纹长度进行评估,利用飞机强度试验及外场维护过程采集的X射线图像对模型进行验证。结果表明:分割的最小裂纹长度约为3 mm,ELAN-Seg模型对复杂背景射线图像裂纹分割更加准确,裂纹漏检率小于3.8%,该模型具有工程适用性。

基于改进YOLOv5s的无人机路面裂缝检测算法

针对原始YOLOv5s网络庞大、计算参数量多,难以实现无人机搭载嵌入式设备对路面裂缝的实时检测,且易出现漏检细小裂缝的问题,在YOLOv5s的基础上提出一种MYOLOv5的无人机路面裂缝检测算法。将改进后轻量化PMobileNetV2模块作为YOLOv5s的主干网络,采用DO-DConv模块替换特征融合部分的Conv模块;为改善训练模型的收敛效果,修正对损失函数;为提高检测模型对裂缝的关注度,将GAM注意力模块嵌入Neck网络。改进后的MYOLOv5网络参数量减少4.1 M,在Jetson Xavier NX嵌入式设备上FPS提高了17.7帧/s,mAP提高了1.8%。

基于孪生网络的自监督太阳能电池板裂纹检测方法

太阳能电池板的裂纹缺陷检测能够避免电能转换效率低,以及短路造成起火的损失。针对现存对比学习方法中存在细微裂纹漏检导致检测精度低,并且严重依赖构建负样本等问题,提出了一种基于孪生网络的两阶段自监督裂纹检测方法。第1阶段提出了一种基于卷积神经网络(convolutional neural network,CNN)和Transformer的预训练编码器模型,通过孪生网络架构学习样本的精细特征表示,提高对电池板细微裂纹的特征表示能力;第2阶段基于预训练模型在少量标注样本下学习分类器以区分缺陷样本。为进一步区分不影响电池板功能的纵向裂纹,另增加了一个分类头进行判别。在ELPV数据集上的实验结果表明,方法在测试准确度方面优于其他相关检测方法,在只对数据进行少量标注的情况下准确度达到83.26%,单张检测时间为6.1 ms,同时在裂纹图像中检出纵向裂纹的召回率也有76.7%。

混凝土裂缝无损检测的改进ResNet方法

大型混凝土结构的灾难性事故多由微小裂缝发展而成,在混凝土结构服役期间对其进行裂缝检测十分重要。目前基于深度学习的混凝土裂缝无损检测算法飞速发展,但大多未考虑裂缝信息的本身特点,检测的准确性仍有进一步提升空间。为此,提出了一种针对混凝土裂缝无损检测的改进ResNet方法,以残差神经网络ResNet为裂缝检测的基础模型,插入注意力机制模块,提高模型表征能力,使其能够有效捕捉裂缝图像中的重要特征信息,从而提高检测的准确性和鲁棒性。同时,采用迁移学习的策略,将ResNet模型在复杂数据集上的训练成果迁移到裂缝数据集,节约了训练时间和计算资源。结果表明:改进后的ResNet算法的裂缝检测准确率高达98.80%,比原始ResNet算法准确率提升了3.24%。相关经验可供类似改进算法的构建参考。

基于卷积神经网络的路面裂缝分割设计与研究

裂缝是路面病害最主要的类型,准确的裂缝分割是国家进行公路预防养护管理的重要决策依据。针对背景复杂下现有模型路面裂缝分割准确度有待提高的问题,提出一种基于卷积神经网络的端到端裂缝分割模型,使用分层结构的ConvNeXt编码器提取多尺度特征,特征的最高层使用金字塔池化模块进一步获取全局先验特征,通过具有横向连接和自上而下的金字塔结构进行特征融合。针对裂缝和背景不平衡问题,使用平衡交叉熵损失函数提高模型的检测性能。此外,构建了一个包含2 876张裂缝图片的数据集UCrack,覆盖多种裂缝类型和广泛的背景范围,以提供丰富的特征供模型学习。实验表明,在UCrack测试数据集上模型的召回率和F1得分比其他表现最佳的模型提高了2.68%和6.89%;在CrackDataset数据集上的测试取得了85.68%的召回率和80.11%的F1得分,说明模型具有较好的泛化性能,可应对背景复杂的路面裂缝分割。