基于深度学习的人工滑坡隐患自动识别新方法

针对植被茂密且地形陡峭地区的人工滑坡隐患识别难题,提出了耦合变化检测与深度学习的人工滑坡隐患自动识别思路,构建了由影像光谱、NDVI、土地利用、高程、坡度和地表覆被变化组成的隐患识别指标体系,建立深度学习卷积神经网络CNN算法,并在植被茂密、地形陡峭的河北省涉县、邢台县和宽城县等地区进行了应用验证,自动识别出2016~2020年间出现的人工滑坡隐患134处。目视验证和野外调查验证结果表明:该方法识别精度为91.9%,F1分数值为93.6%。此方法在广袤地区具有普适性,为滑坡隐患自动识别提供了新思路,为人类工程活动的合理规划提供了科学依据。

火电机组汽轮机系统数字孪生模型研究

以数字孪生为理论指导建立数据驱动孪生模型,通过对机组历史运行数据的分析,利用深度学习中的深度森林算法,合理确定模型的输入输出参数,并采用改进的蝙蝠算法进行超参数优化,构建高精度的数据驱动模型。选取各模型的输出参数,利用相似度函数法预测输出数组与实际输出数组之间的欧几里得距离,实现对故障的准确检测。最后利用数字孪生模型对物理实体进行状态监测和故障检测试验,结果表明借助建立的数字孪生模型和故障检测体系,能准确检测汽轮机系统中加热器管路泄漏和进出水室短路故障,证明了该方法的有效性。

基于轻量二阶段检测模型的自然环境多类蔬菜幼苗识别

为实现自然环境下蔬菜幼苗精准快速识别,本文以豆角、花菜、白菜、茄子、辣椒、黄瓜等形态差异大、具有代表性的蔬菜幼苗为研究对象,提出一种基于轻量化二阶段检测模型的多类蔬菜幼苗检测方法。模型采用混合深度分离卷积作为前置基础网络对输入图像进行运算,以提高图像特征提取速度与效率;在此基础上,引入特征金字塔网络(Feature pyramid networks,FPN)单元融合特征提取网络不同层级特征信息,用于增强深度学习检测模型对多尺度目标的检测精度;然后,通过压缩检测头网络通道维数和全连接层数量,降低模型参数规模与计算复杂度;最后,将距离交并比(DistanceIoU,DIoU)损失作为目标边框回归损失函数,使预测框位置回归更加准确。试验结果表明,本文提出的深度学习推理模型对多类蔬菜幼苗的平均精度均值为97.47%,识别速度为19.07 f/s,模型占用存储空间为60 MB,对小目标作物以及叶片遮挡作物的平均精度均值达到88.55%,相比于Faster RCNN、RFCN模型具有良好的泛化性能和鲁棒性,可以为蔬菜田间农业智能装备精准作业所涉及的蔬菜幼苗检测识别问题提供新方案。

单子叶作物叶片气孔自动识别与计数技术

为实现作物叶片气孔的自动识别与快速计数,该研究采用卷积神经网络中高计算效率的YOLOv3算法,开发了一种全自动气孔识别和计数解决方案。该算法优化了物体检测性能,可准确识别显微图像中的气孔。其中,对指甲油印迹法获得照片的气孔检测精确率、召回率和F1值分别为0.96,0.98和0.97,便携式显微镜拍摄法照片气孔检测精确率、召回率和F1值分别为0.95,0.98和0.96,具有很好的鲁棒性。该算法检测速度快,可实现对30帧/s的视频文件进行快速气孔识别,实现了实时检测。此外,采用拍摄的小麦叶片照片进行训练得到的气孔识别模型,还可同时实现对大麦、水稻和玉米等单子叶作物叶片气孔的识别,其中,大麦的检测精确率、召回率和F1值分别为0.94,0.83和0.88;水稻的检测精确率、召回率和F1值分别为0.89,0.42和0.57;玉米的检测精确率、召回率和F1值分别为0.91、0.76和0.83;显示出模型良好的泛化能力。

一种新颖的深度因果图建模及其故障诊断方法

为了实现复杂工业过程故障检测和诊断一体化建模,提出了一种新颖的深度因果图建模方法.首先,利用循环神经网络建立深度因果图模型,将Group Lasso稀疏惩罚项引入到模型训练中,自动地检测过程变量间的因果关系.其次,利用模型学习到的条件概率预测模型对每个变量建立监测指标,并融合得到综合指标进行整体工业过程故障检测.一旦检测到故障,对故障样本构建变量贡献度指标,隔离故障相关变量,并通过深度因果图模型的局部因果有向图诊断故障根源,辨识故障传播路径.最后,通过田纳西-伊斯曼过程进行仿真验证,实验结果验证了所提方法的有效性.

基于BIM和深度学习的建筑平面凹凸不规则识别

建筑抗震超限审查是高层建筑、特别是超高层建筑审查的重要内容,建筑平面凹凸不规则是建筑抗震超限审查的项目之一。目前的建筑平面凹凸不规则识别主要由人工依据设计规范进行,然而日益复杂的建筑平面设计超出了规范的示例范围,也加重了人工审查的负担。建筑平面识别可以看成是图片分类问题,考虑到实际工程中规则样本和不规则样本之间的不均衡性,利用异常检测的思想,提出了一种基于建筑信息模型(BIM)和深度学习进行建筑平面凹凸不规则辅助识别的方法。首先,利用几何对象之间的布尔交运算得到BIM模型的建筑平面;然后,通过图片预处理,生成建筑平面外轮廓图;最后,将建筑平面外轮廓图输入已训练好的异常检测深度学习模型,反馈识别结果。实验结果表明,相比于传统的图片分类模型,采用异常检测的思路对不规则建筑平面图的识别率提高了15%,更符合实际工程的需要。

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有:公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望:如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。

利用深度学习模型智能识别地下排水管道缺陷

排水管道健康状况直接影响整个城市的排水效果,CCTV检测作为目前最为常见的排水管道健康状况检测方法,仍存在自动化程度不高、工作效率低下、严重依赖人工经验等问题。为解决以上问题,本文将当前先进的深度学习技术与地下排水管道缺陷检测技术相结合,提出了一种基于深度学习模型的地下排水管道缺陷智能识别技术。同时,将管道缺陷智能识别与管道检测工作流程紧密结合,实现城市排水管道检测报告的快速自动生成等功能,从而大大提高排水管道缺陷的检测效率。

基于端到端的多尺度月球陨石坑检测方法

陨石坑是月球表面最典型且普遍的地形地貌特征和地质结构。实时陨石坑检测可用于实现自主着陆、航天器和月球车导航等任务。现有的月球陨石坑检测算法需要繁杂的后期处理,难以满足实时陨石坑检测需求。为此,本文提出一种用于检测月球多尺度陨石坑的新方法,C-Moon-Net。该方法首次基于CenterNet网络对月球数字高程模型(DEM)的图像数据集进行训练和测试。首先,随机裁剪和处理全月DEM图像来生成适用于CenterNet网络的数据集。其次,使用可以加快模型收敛速度的基本损失计算方法来训练模型。最后,基于测试集进行实验来评估训练模型的有效性。其实验结果表明,与现有的陨石坑检测方法相比,C-Moon-Net的检测速度提升了201倍,检测精度提升11.5%;本文方法可以对多种尺度的陨石坑进行精确检测,具有强鲁棒性的特点。

深度学习算法的P2P流量识别与控制

为了提升P2P流量的识别精度与控制效果,提出了深度学习算法的P2P流量识别与控制方法.采用P2P流量数据训练深度学习算法的BP神经网络,根据训练好的神经网络对训练样本进行预分类,得到包含各服务流量特征的预分类结果.将预分类结果作为P2P流量聚类中心值,通过聚类算法检测P2P流量样本数据,得到P2P流量识别结果.采用分形自回归综合滑动平均模型分析P2P流量控制机制.结果表明,该方法的识别性能稳定、识别结果精度较高,有效降低了流量传输的丢包率,可对P2P流量传输进行稳定控制.

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。

未知模型检测中的参数优化方法

针对数字图像源辨识中的未知模型检测问题,笔者提出了一种参数优化方法。参数优化方法中,首先定义两个指标未知模型准确率和已知模型正确率,其次利用这两个指标得到训练集的数据标记情况,最后通过标记数据集的小部分数据作为伪未标记数据介入参数优化算法中,以此模拟未标记数据集中的已知模型正确率,进而选择K近邻算法中的最优参数K。

基于BP神经网络的DEM粗差探测法分析

阐述一种以BP神经网络为基础的DEM粗差探测方法,为了减少该算法的误判率,加入怀疑率这一参数,这样某一点的粗差判断可以根据多个区域的检测结果来进行。为了确定怀疑率的阈值,分别采用冒泡法、均值法、中位数法。其中中位数法的实验效果更优。以中位数确定的怀疑率阈值进行实验,检测率达到94.1%,误判率为31.5%。

应用视角下基于异常检测的颠覆性技术爆发机会识别

[研究目的]及时、准确地识别关键技术在应用领域的颠覆性信号,有利于产业的提前布局,对于提升国家和企业的核心竞争力具有重要价值。[研究方法]该研究以技术应用为导向,构建了颠覆性技术爆发机会的识别模型。首先,提取论文和专利数据蕴含的创新关系和核心语义;其次,融合市场环境与公众感知的多源数据;最后,利用BERT孪生网络模型和无监督异常检测算法识别异常点。[研究结论]以2014—2023年洪水灾害领域的相关数据为研究对象进行实证研究,共检测出142个异常点。通过分析异常点和市场爆发趋势,验证了识别模型的有效性,并总结了应用视角下的四类颠覆性技术机会,为颠覆性技术在潜在应用领域的机会识别提供新的视角和参考。

多业务流智慧运营管理平台的应用

利用多业务流的智慧运营管理平台,实现对丽金智地项目运行、运维、运营的智慧化综合管理,以建筑或空间管理和为使用人员服务,进行场景业务流程的服务,使得智慧建筑中应用的多类型智能化系统与人员使用更佳贴近,更符合不同人群在管理、维护、工作的需求。

基于深度卷积神经网络融合模型的路面裂缝识别方法

现有的路面裂缝识别方法大多仍局限于基于主动特征提取的处理技术,对路面图像来源有专一性要求,算法不具备泛化能力,现有的基于神经网络识别算法对设备有特定要求,且路面裂缝的定位准确性不高。为此,提出基于深度卷积神经网络融合模型的路面裂缝识别方法。首先,应用多目标SSD卷积神经网络模型对路面裂缝进行分类检测,然后使用深度残差网络对SSD模型的特征提取结构进行改进,并根据损失函数的收敛程度对模型中的超参数进行优化,提高路面裂缝分类和定位的准确率;其次,针对裂缝分类检测模型对路面裂缝定位存在的偏差,提出基于U-Net模型的路面裂缝分割方法,并改进模型的特征提取网络,提高裂缝分割精度,实现精确的裂缝分割;最后,将裂缝分类检测模型与分割模型进行融合,加载2个模型并导入上述训练得到最优权重,根据裂缝分类网络判断路面图像有无裂缝,若存在裂缝则给出具体类别和置信度,并将这些信息和原始裂缝图像输入U-Net分割网络,根据分割结果计算线性裂缝的长度、宽度及网状裂缝的面积。试验结果表明:给出的路面裂缝识别方法对于横向裂缝、纵向裂缝和网状裂缝的识别精度分别为86.6%、87.2%和85.3%;该方法不仅能够给出路面裂缝的类别信息,还可以给出路面裂缝的精确定位和几何参数信息,可直接用于路面状况评价。

具有无序排列管片环结构的地铁盾构隧道数字模型智能重建

运营地铁隧道的管理、健康监测及维护正逐渐趋向于数字化、智能化;但常因地铁盾构隧道管理和检测单位缺少隧道数字模型,限制了地铁隧道智能维护和管理系统的应用和发展。文章针对地铁盾构隧道中无序排列的管片环结构,提出了一种基于深度学习和机器视觉的地铁盾构隧道数字模型智能重建方法,利用检测车获取的隧道衬砌内表面高清图片,对管片特征物(螺栓孔)进行智能识别与自动分类,再根据螺栓孔群的分布特点自动推断隧道管片环的排版规律,从而结合隧道实际线路实现隧道数字模型快速重建。某地铁隧道的实例应用结果表明,该方法适用于管片无规律性错缝拼装的情况,能以100%的准确率实现地铁盾构隧道数字模型的智能重建。

基于拉曼光谱的电力变压器绝缘故障自动定位系统设计

电力变压器绝缘故障定位是提高电力变压器稳定性的关键,提出一种基于拉曼光谱的电力变压器绝缘故障自动定位方法。采用卷积稀疏自编码器进行电力变压器绝缘故障特征检测,提取电力变压器绝缘故障的拉曼光谱特征量,根据电力变压器的能源、负荷差异性进行受扰响应特性分析,构建电力变压器绝缘故障辨识模型,采用深度学习方法进行电力变压器绝缘故障检测中的收敛性判断,根据拉曼光谱的频谱特征分布进行电力变压器绝缘故障的自动定位。结合API接口和SS/E23节点网络拓扑模型实现电力变压器绝缘故障自动定位系统设计。仿真测试结果表明,采用该方法进行电力变压器绝缘故障定位的准确性较高,故障的可视化分辨能力较强。