高聚物注浆修复的面板堤坝探地雷达波场特征分析

针对高聚物注浆修复堤坝面板脱空病害的修复效果问题,依据实际堤坝面板层间结构和材料介电参数,基于时域有限差分法和完全匹配层边界条件建立了高聚物注浆修复面板脱空堤坝的探地雷达电磁波计算模型,分析了雷达中心频率、面板脱空修复程度及脱空区域大小、面板厚度及配筋等因素对高聚物注浆修复面板脱空堤坝探地雷达波场特征的影响。结果表明:随着激励源中心频率增大,探地雷达剖面图分辨率逐渐增加;随着脱空区域长度增加,探地雷达剖面图中产生的水平状界面反射波增长;随着脱空区域深度增加,探地雷达剖面图水平状反射线之间时间间隔逐渐增大;随着堤坝面板厚度增加,在面板脱空修复区域绕射波和衍射波幅值减小;探地雷达发射的电磁波遇到钢筋时将产生能量较强的绕射波,强绕射波将脱空区域上下分界面的反射波分割开,难以判断反射波的水平长度。根据高聚物注浆修复面板脱空堤坝的探地雷达波场特征,能有效判断堤坝面板脱空区域的高聚物注浆修复效果,有助于解释实际堤坝面板高聚物注浆修复效果的探地雷达图像。

基于融合卷积神经网络的多种类管道病害检测方法

地下管道是城市的血脉,年久失修将会导致管道服役性能降低,引发各种环境问题.因此,应当按时检测地下管道的病害类型及数量,为管道维修提供数据支持.但是,人工检测的方法费时费力,传统的计算机检测方法准确度和泛化能力较低.为了解决这一问题,该文提出了一种基于融合卷积神经网络的多种类地下管道病害分类算法.该算法结合了Inception网络构架和残差网络构架,提高了检测的准确度.对比现有的检测模型发现,该模型的平均准确率和Macro-F 1分数分别达到了93.15%和0.932,检测评估指标最优,证明该模型具有准确、全面、误检率低的检测特点.对测试集实际检测结果分析可知,该模型在不同光照、不同障碍物、整体和局部的场景下,均检测无误,结果准确,证明了该模型具有鲁棒性高、泛化能力强的特点.

基于自注意力的排水管道缺陷检测方法

排水管网是城市的生命线。人工检测的方法,费时费力,效率低下。传统计算机视觉算法和机器学习算法仅分析了少量缺陷特征,无法满足排水管道检测准确度要求。针对以上问题,本文提出了一种基于自注意力的排水管道缺陷检测方法。该方法采用自注意力机制代替了卷积神经网络作为特征提取器,通过多层感知机和Softmax函数为缺陷图像预测分类标签,提高了排水管道缺陷检测的准确度。对比经典的卷积神经网络算法,本模型的准确度最高。以上研究证明了自注意力算法在排水管道缺陷图像分类领域的可行性,提高了检测的准确度,为排水管道检测提供了一种新思路。