融合Transformer与残差通道注意力的恶劣场景水位智能检测方法

精准感知水位信息变化是实现精细水务管控和洪涝灾害的关键环节之一,而低照度、雾霾、雨雪、冰冻、波浪、镜头抖动等恶劣场景给水位检测带来极大挑战。针对现有方法中难以实现水位精准检测难题,构建一种融合Transformer与残差通道注意力机制的Unet模型(TRCAM-Unet),进而提出基于TRCAM-Unet的恶劣场景水位智能检测方法。关键技术包括通过全尺度连接结构实现多层次特征融合,通过Transformer模块强化区域特征的关联性,通过残差通道注意力模块强化有用信息的表达并削弱无用信息的干扰。相关试验和实践表明,TRCAM-Unet取得了98.84%MIOU评分与99.42%的MPA评分,在约150 m距离外水位检测最大误差不超过0.08 m,水位偏差均值(MLD)仅有1.609×10^(-2)m,优于Deeplab、PSPNet等主流语义分割算法。研究结果对解决恶劣场景下水位精准检测难题及洪涝灾害预警具有重要应用价值。

改进U-Net网络的遥感图像水质分割算法

针对遥感图像中一般水体、黑臭水体以及富营养化水体形状不规则以及相似难以准确分割的问题,选取研究区创建富含3类水体的数据集,利用深度学习卷积网络模型对3类水体数据集进行训练与测试。根据测试效果分析提出基于改进U-Net网络的遥感水质分割算法,改进卷积深度及在编码阶段输入层引入ASPP模块获取更加复杂的光谱信息,提高分割精度。实验表明,所提出的改进型U-Net分割算法能够显著提升水质分类的精确度和分割效果,从而实现一般、黑臭及富营养化水体的准确分类。

基于全景图像的隧道渗漏水病害识别方法

针对隧道衬砌结构渗漏水形态复杂,光照与背景干扰强,样本不平衡导致的误识别与漏识别问题,为提高渗漏水自动识别准确率和效率,提出基于全景图像的渗漏水病害快速检测方法。首先,依据自主研发的隧道检测车采集结构表观全景图像,构建专属的渗漏水定位检测及分割样本库;然后,针对渗漏水这类形态非刚性目标,改进了DeepLab V3+分割网络,引入可变形卷积以提高感受野尺度变化自适应能力,同时融合逐像素交叉熵损失函数与Focal Loss损失函数;最后,提出方向区域搜索算法,解决因窗口滑动预测方式而造成分割断裂的问题。研究结果表明:与UNet、DeepLab V3+相比,提出的改进算法分割精度平均交并比为91.02%,提高了3.3%;同时平均每张2560×2048像素图片识别耗时0.30 s,降低了23%。方法已集成于同济曙光病害自动识别软件,并已用于隧道检测工程作业中,取得良好的应用效果。

利用边缘辅助分割网络提取稻虾共作养殖田

为确保稻虾共作的安全生产、社会供应以及政府政策的有效制定,须准确获取稻虾共作种植面积、空间分布及变化信息。现有稻虾养殖田提取方法以中分辨率时序影像为数据源,提取结果存在边界粗糙且噪声较多等问题。为获取精度高、边界规整的稻虾养殖田提取结果,该研究以高分辨率影像为数据源,提出一种基于边缘辅助任务的深度学习语义分割模型——edge assisted segmentation network(EASNet)。该模型首先将稻虾养殖田特有的边缘“虾沟”作为一种辅助信息在设计的边缘辅助模块单独分割,然后将该模块的输出与主任务分割模块输出进行融合,使主任务既增强了稻虾养殖田边界结构信息,又能学习到稻虾养殖田特有的空间及语义信息。试验结果表明,在边缘辅助模块的增强下,稻虾养殖田分割结果更完整,边界更清晰,其语义精度的交并比和边界精度的F1分数分别提升了1.5%、5.8%。整体语义精度的召回率、交并比、F1分数分别达到0.970、0.964、0.930,边界精度的召回率、F1分数达到0.864、0.859,松弛边界精度的召回率、F1分数达到0.876、0.913。将训练好的EASNet模型应用到盱眙县全域,得到2020年盱眙县稻虾养殖田空间分布图,在与传统的水体季相差异法、随机森林方法提取的稻虾养殖田结果的对比中,该方法取得了总体精确度为96.71%及Kappa系数为0.934的最优结果,为基于深度学习的稻虾养殖田提取方面的应用提供参考。

深中通道深水区管节基槽回淤特征分析

为了研究深中通道沉管隧道工程深水区管节基槽开挖完成后的回淤特征,采用多波束测深系统对深水区管节基槽进行观测。根据观测结果计算出基槽回淤厚度以及回淤强度,并采用Hypack软件绘制对应的回淤差值数据图,从而反映深水区管节不同时空的回淤情况。结果表明深水区管节回淤在空间与时间上分布差异显著,体现了深水区管节基槽成槽后的回淤特征,为深中通道后续清淤施工以及其他相关工程提供了合理的参考数据。

基于卷积神经网络的监控图像水位识别

基于水尺的水位监测由于其廉价和便携的特点而得到广泛应用。然而,在复杂的实际水文场景中,如何从水尺图像中准确检测水位仍然是一个棘手的问题。本文提出了一种水位测量的复合方法。与传统方法不同,该方法可以从复杂多变的场景中检测出水位的位置和数量,然后从变化的水位中准确地分割出水位线,最终得到准确的水位值。该方法首先通过上下文调整模块改进了FCOS模型,以满足边缘计算的要求,并保证了比较高的检测精度。其次,为了模块化语义关系,应用Deeplab-v3的上下文校正模块来分割水尺图像的水面以上区域,被分割的区域可以用来计算水位线的位置。最后,结合所有的结果来计算水尺图像的水位值。实验证明:本文提出的复合方法,解决了复杂水文场景下的水尺水位计算问题,计算的水位误差已经精确到1厘米,大大优于现有的方法。

荔湾3-1气田深水段管线路由区工程地质分区与评价

详细分析了荔湾3-1气田深水段管线路由区前期的勘察数据,并且结合路由区地形地貌特征、海底浅层土的分布与工程地质特性以及海底土体稳定性等要素对气田管线范围内土层进行了工程地质分区与评价,对在不稳定区的工程设施提出了相应的工程措施。荔湾3-1气田深水段管线路由区地质分区与评价有利于指导该区管线铺设与油气开采设备装配,同时也可为深水项目工程场地评价提供参考。

基于语义分割网络的路面积水与湿滑区域检测

积水或湿滑路面的道路附着系数远小于干燥路面的附着系数,对交通的安全性和机动性都有很大的影响。通过及时获取路面状态信息而发出预警,可大大减小潜在伤害。本文中研究了基于图像的语义分割网络在积水和潮湿的路面状态识别中的应用,它不仅可预测未来路面状态信息,且可得到路面积水和湿滑区域的分布。该方法利用语义分割网络Res-UNet++,分割出路面的积水和湿滑区域。Res-UNet++结构包括嵌套了不同深度的编码器-解码器结构,并在网络的特征提取部分加入残差结构,从而使图像的特征更容易学习。该方法取得了平均交并比为90.07%的分割精度并克服了其它方法的缺点。

南水北调西线工程深埋长隧洞管片衬砌结构受力分析

地应力和地下水问题对深埋长隧洞衬砌的设计及施工具有重大影响。通过数值计算对南水北调西线工程深埋长隧洞管片衬砌结构进行了受力分析,研究了围岩变形及水压力对管片衬砌结构的影响。初步研究结果表明:约90%的洞段稳定性较好,围岩变形对管片衬砌结构影响较小,可采用管片衬砌;隧洞沿线外水压力较高,是影响衬砌设计的主要因素,应采取适当的排、堵措施降低外水压力对管片衬砌结构的作用。研究结果为南水北调西线一期工程隧洞衬砌设计提供了依据。

基于迁移学习的温室番茄叶片水分胁迫诊断方法

为实时诊断番茄叶片水分胁迫程度,提出一种叶片水分胁迫程度的诊断方法,该诊断方法包括2部分:叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask RCNN网络对背景遮挡的番茄叶片进行实例分割,通过迁移学习将Mask RCNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割,保留原卷积网络的训练参数,只调整全连接层。利用卷积网络提取的特征,可将番茄叶片分割视为区分叶片与背景的一个二分类问题,以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类,通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类,保持DenseNet169卷积层的参数不变,只训练全连接层,并对原DenseNet169全连接层进行了修改,将分类数量从1000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像,共2000幅图像,建立数据集,并进行模型训练与测试。试验结果表明,训练后的Mask RCNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798,分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%,与VGG19、AlexNet这2种常用的深度学习分类模型进行对比,分类准确率分别提高了5.59、14.68个百分点,表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果,可为构建智能化的水胁迫分析技术提供参考。

一种基于密集深度分离卷积的SAR图像水域分割算法

SAR图像的水域分割在舰船目标检测、灾害监测等军事和民用领域具有重要意义。针对传统水域分割算法鲁棒性差、难以准确进行分割等问题,该文首先建立了基于高分三号的SAR图像水域分割数据集,并基于深度学习技术提出了基于密集深度分离卷积的分割网络架构,该网络以SAR图像作为输入,通过密集分离卷积和扩张卷积提取图像高维特征,并构造基于双线性插值的上采样解码模块用于输出分割结果。在水域分割数据集上的实验结果表明,与传统方法相比,该方法不仅在分割准确度上有大幅提高,在算法的鲁棒性和分割速度上也具有部分优势,具备较好的工程实用价值。

四川盆地德阳-安岳侵蚀裂陷槽分段性演化分析和油气勘探意义

基于野外、钻井和地震资料分析,恢复四川盆地德阳—安岳侵蚀裂陷槽形成演化过程,并对勘探领域进行划分和评价。结果表明:①德阳—安岳侵蚀裂陷槽及周缘震旦系灯影组沉积特征具有明显差异。侵蚀裂陷槽北段灯影组发育深水沉积,盆地北部灯影组发育盆地—斜坡—台地边缘—局限台地沉积模式,中—南段灯影组为碳酸盐台地沉积环境。②德阳—安岳侵蚀裂陷槽是伸展裂陷和岩溶侵蚀作用叠加改造而成,侵蚀裂陷槽北段以拉张裂陷作用为主,中段和南段为桐湾多幕次侵蚀作用改造而成。基于侵蚀裂陷槽分段性成因,将其及周缘灯影组划分为盆地北部台缘岩性丘滩体、中部台内岩溶丘滩体和中—南部槽内岩溶残丘3大勘探领域,其中盆地中—南部槽内岩溶残丘是盆地天然气勘探战略突破新领域,北部台缘岩性丘滩体是盆地天然气万亿立方米资源增储新阵地。

深埋排水调蓄盾构法隧道衬砌内力分析

目前在盾构隧道分析中,主要采用修正惯用计算法与梁-弹簧等一维计算模型,其关键参数的选取依靠于经验与试验。文章依托苏州河段深层排水调蓄管道系统工程,对该工程试验段部分的盾构隧道展开受力分析。建立了在内水压作用下盾构法隧道的一维与二维计算模型,对二者的计算结果进行了对比分析,验证了二维计算模型的合理性。在二维计算模型中,建立了衬砌与螺栓的有限元模型,从而避开了一维计算中接头转动刚度难以确定的难题。通过初步计算,论证了衬砌结构与螺栓配置的可行性。

基于改进BiSeNet的轻量级水利语义分割算法

在水利场景的语义分割任务中,目标复杂多样且需要保证一定的实时性。针对这些特点,本文提出了一种轻量级的水利场景语义分割算法,该方法在BiSeNet(bilateral segmentation network)网络基础上,引入嵌入SE注意力机制的MobileNet v2作为主干,降低模型的大小,提高检测的实时性;并在主干末端增加一个金字塔池化层,得到增强的深层特征,提高模型的分割准确度。实验表明该方法在水利数据集的MIoU表现,比改进前高出4.66%,模型参数也大大减少。

巨型深水围堰比选研究与设计施工

对常用深水基础施工围堰形式进行分析,比较双壁钢围堰、锁口钢管桩围堰、钢板桩围堰方案的优缺点及其适用特点。依托五峰山长江大桥3号主墩,在地质差异不均匀、不平衡土压力大、抽水水头大、平面尺寸大的情况下,详细介绍哑铃形双壁钢围堰的设计思路、设计要点、结构构造和计算;根据围堰重量大、尺寸大、加工质量要求高等特点,详细介绍围堰制作与运输、拼装与下沉、封底与抽水施工过程,为类似工程承台顺利施工提供设计与施工借鉴。

基于深度语义分割的无人机遥感影像水体提取研究

快速、可靠地获取遥感影像中的水体对于指导人类生产活动和掌握水资源的分布规律、开发保护具有重要意义。本研究根据无人机遥感影像在复杂环境下采用OCRNet语义分割模型结合HRNet骨干网进行水体提取,充分利用了水图像的特征,有效抑制了非水噪声,加快了模型的收敛速度。实验结果表明,该网络在准确率上有着不错的表现,Acc可达到99.30%,mIoU为0.9281,kappa系数(KC)为0.9231。

基于注意力机制的深度学习网络在头部水脂分离图像上的组织成分分割

目的探究应用基于注意力机制的深度学习网络在头部MR三点非对称回波水脂分离成像(IDEAL)图像上进行5种组织成分(实质、脑脊液、颅骨、空气、软组织)分割的可行性。方法收集2019年9月至2021年8月杭州市临平区第一人民医院40名健康志愿者的头部CT图像和MR IDEAL图像。训练集包含30个样本,共1784张图像;测试集包含10个样本,共618张图像。将分割结果与标注区域进行对比评估网络模型效能。利用Elastix软件配准CT图像和MR IDEAL图像;基于CT值得到骨和空气区域的金标准,同时使用SPM12工具包从IDEAL图像得到脑实质、脑脊液区域的金标准,头部其余部分视为软组织区域的金标准;最后,采用最轻量的Segformer模型,将IDEAL的水图、脂图、同相图组成三通道输入到网络模型中进行训练,实现头颅组织成分(实质、脑脊液、颅骨、空气、软组织)的分割。采用Dice相似性系数(DSC)、像素准确度(PA)、均交并比(IoU)评价Segformer在各个组织成分上的分割性能。结果测试集的各组织成分(空气、骨骼、脑实质、脑脊液、软组织)占比分别为0.125±0.016、0.184±0.015、0.375±0.019、0.085±0.011、0.231±0.020。测试集的DSC为0.822±0.039,PA为0.931±0.015,IoU为0.714±0.050。结论利用基于注意力机制的深度学习网络能够实现IDEAL图像的头部组织成分分割。

改进HarDNet-MSEG的遥感影像水体信息提取方法

准确有效地提取水体信息,对于水资源监测、管理和应用等方面具有重要意义。由于水体形状、大小和分布的多样性以及场景的复杂性,如何高效准确地从遥感影像中提取出水体仍具有挑战性。传统的方法虽然可以从遥感图像中提取水体,但由于异物同谱其提取精度往往难以满足实际应用要求。因此,迫切需要先进的高性能技术来提高水体提取的效率和准确性。将深度学习与遥感技术相结合可以充分发挥深度学习的优势,有效帮助准确地提取水体信息。目前以深度学习的方法提取水体信息面临的挑战仍是多尺度特征融合、耗时长和参数多。HarDNet-MSEG(Harmonic DenseNet-MSEG)模型拥有较高的分割精度和较快的推理速度,为进一步充分利用来自通道和空间位置层面的相关信息以及提高模型的分割精度,本文以HarDNet-MSEG为网络框架,设计了一种名为HAM(Hybrid Attention Mechanism)的注意力机制,将其嵌入到HarDNet-MSEG网络中以探究其在网络中的最佳位置,在相同的实验环境下与其他注意力机制、经典网络算法以及传统的方法进行一系列的对比实验,并测试该模型在其他数据集上的通用性。结果表明,HAM模块在HarDNet-MSEG网络的较浅层处表现最出色。与其他注意力机制相比,HAM模块取得了更高的性能,MIoU、FWIoU和PA分别达到了94.0687%、97.7374%和99.3205%。与DeepLabV3+、U-Net和PSPNet等经典模型相比,HarDNet-MSEG-HAM1模型不仅有最好的MIoU,参数量、计算量和训练时间各方面都表现出卓越的性能。与传统方法相比,HarDNet-MSEG-HAM1模型具有显著的优势,同时该模型在其他数据集上也表现出了良好的性能。最后,成功提取了青藏高原内流流域的2013、2016、2019和2022年4期湖泊,并对其面积变化进行了分析。一系列的实验数据表明,该模型在水体提取任务中的优越性与鲁棒性。本论文预期可以为从复杂场景的遥感影像中提取水体信息提供方法和相关数据支持。

高弯度深水浊积水道建模方法分析

在实际的地质沉积过程中,大多数沉积体系由"多物源"或"变物源"沉积物堆积而成,在进行储层地质建模过程中只给定单一物源方向已不能满足模拟精度的要求。本文以某海外大型深水海底扇油田A为例,根据研究区内高弯度深水浊积水道广泛发育且具有水流方向随着流线时刻变化的特征,在建模过程中结合地质认识,探索出针对该沉积环境的分区法和水道趋势线法两种储层随机模拟方法。分区法是将高弯度水道依据地质认识设定不同区带,各区带独立进行随机模拟;水道趋势线法则依据地质认识,在全区设定符合地质概念的定量趋势线,并假定全区为一个整体的模拟单元进行表征。分区法适用于模拟不同物源,且无交叉叠合的两套沉积体系;而水道趋势线法则更适用于同一类沉积体系下的高弯度深水浊积水道建模。两种模拟方法都实现了在同一套网格中模拟具有"多物源"和"变物源"方向的储层分布,真实再现了高弯度深水浊积复合水道储层的空间展布特征。

基于高分辨率遥感的水源地风险源提取技术研究

风险源提取是实现饮用水源地遥感监测的重要技术环节。基于高分遥感的风险源提取的技术方法体系,研发了结合面向对象和深度学习技术的风险源提取方法并进行了软件实现。以图像分割为基础通过面向对象深度学习分类提取大尺度自然分险源,再利用语义分割提取各类人工分险源,实现了不同分险源的分级提取。依托相应软件系统,以高分二号影像为主要数据源,以南京市夹江水源地为示范区开展了风险源提取试验。结果表明系统实现了包括水源地水体分布,以及水体周边建筑物、道路、农、林等多类人工、自然风险源目标的准确提取。