基于改进YOLOv5s算法的桥梁裂缝自动检测及分类

为了克服传统人工裂缝检测方法费时费力、局限性大等弊端与不足,提出一种基于深度学习的裂缝自动检测与分类方法。采用YOLOv5s算法作为基础,引入2种不同的注意力机制——SENet和Coordinate Attention,这些机制从大量数据中快速筛选出高价值信息,从而提高了YOLOv5s模型在裂缝识别和分类方面的效率。原始的YOLOv5s模型在1500张包含4种类型裂缝的图像上的检测结果为89.2%,引入注意力机制后,模型精度分别提高了5.7%和7.1%,达到了94.9%和96.3%。结果表明,改进后的YOLOv5s算法可以实现桥梁裂缝的自动检测及分类,在实际的桥梁性能测试中具有广泛应用前景。

基于多尺度特征融合的风机叶片裂缝自动检测技术研究

风力发电是一种利用自然风能的基础,以较低风速为驱动,将风轮所经过的动能转化成机械动力来带动发电机旋转。因此在电力系统中占据着非常重要地位。从智能技术多尺度特征融合中研究风机叶片裂缝自动检测技术,目的是实时监测风机的故障及防范风力发电的停止。主要应用了实验法和案例分析的方式对风机叶片裂缝检测自动检测技术及多尺度特征融合进行研究。实验表明:多特征提取方式在风机叶片横向裂缝检测的准确率达到95%,基本符合要求。

基于Sobel算子的无砟轨道道床板裂缝自动检测算法

目前无砟轨道道床板裂缝检测采用的电磁、超声等无损检测方法存在检测设备复杂、检测精度低等问题,为此文章提出了基于Sobel算子的无砟轨道道床板裂缝自动检测算法,此算法通过对裂缝图像的预处理、边缘特征提取、边缘标定、长度测量,实现对裂缝方向和长度的判断。实验表明,利用Sobel算子提取无砟轨道道床板裂缝的边缘特征,具有算法简单、裂缝识别准确和对噪声鲁棒的优点,为裂缝检测提供了新的方法。

高速铁路隧道衬砌裂缝自动化检测硬件系统研究

衬砌裂缝是最常见的隧道病害。由于高速铁路列车运行速度较快,衬砌裂缝造成衬砌混凝土掉块会对高速铁路运行造成极大安全隐患。目前国内衬砌裂缝检测还停留在以人工检测为主的阶段,而基于图像处理的检测系统,已经广泛应用于桥梁、公路等工程中,但是由于隧道自身的特殊性,检测系统的发展较为缓慢。在结合高速铁路隧道自身特点基础上,提出一套隧道裂缝自动化检测系统,并对系统工作原理进行阐释,在此基础上对系统内部各项硬件设备进行选型,最后在实验室内完成组装和调试,基本达到了预期的效果。