基于目标检测算法的历史建筑清水砖墙劣化特征智能识别与评估诊断

通过深度学习和计算机视觉技术的融合应用,结合迁移学习优化神经网络架构,基于目标检测算法,实现对历史建筑清水砖墙劣化损伤特征的自动识别及精确评估。建立清水砖墙劣化特征样本数据库,选用PP-PicoDet算法进行模型训练与特征增量叠加训练,实现对损伤类型、位置和程度的快速且精确的自动识别。相较传统人工勘查模式,大幅提高了作业效率及结果准确性,为历史建筑保护修缮提供了新的智能化高效勘察工具和方法。

基于机器学习的高速列车抗蛇行减振器劣化状态识别方法研究

为识别高速列车抗蛇行减振器服役过程中的劣化状态,首先基于运用统计选取了5种典型的组合参数,通过台架试验获取其动态频变刚度和阻尼特性;然后采用抗蛇行减振器非参数化建模方法建立了整车动力学联合仿真模型,计算得到不同工况下的车辆动力学响应;构建了机器学习分类问题,分别采用支持向量机(Support Vector Machine, SVM)和卷积神经网络(Convolutional Neural Network, CNN)的方法对减振器状态进行识别。研究结果表明,基于BP神经网络(Back Propagation Neural Network,BPNN)的非参数化模型更为准确地描述抗蛇行减振器的动态行为,建立的整车联合仿真模型计算结果与实测数据符合较好;采用SVM算法构建的机器学习模型识别效果一般,而采用CNN算法构建的机器学习模型则达到较高的识别准确度。考虑实际运用需求,将机器学习问题简化为6分类问题,信号通道数精简为4个,CNN机器学习模型仍可实现较高精度的劣化状态识别。