陕西省公路建设项目中钢板组合梁桥型的造价分析

目前陕西省多条高速公路建设中应用到钢板组合梁结构,而现有的定额不能精准控制和合理确定其工程造价。鉴于此,从陕西省已通车高速公路或在建项目钢板组合梁桥型预算中提取经济技术指标,分不同跨径、不同地域进行归纳和总结,为建设项目桥型比选和钢板组合梁定额测定提供数据支持。

基于可变形卷积网络和YOLOv8的衬砌裂缝检测模型研究

为解决裂缝性状发育随机度高、标注框分辨率低、分布密集易重叠、目标相对小等因素引起的智能检测精度及效率差等问题,基于改进可变形卷积神经网络对YOLOv8骨干网络进行融合,提出1种能够适应隧道复杂场景的裂缝检测模型D-YOLO。模型首先对第3版可变形卷积网络(DCNv3)的空间聚合权重softmax归一化步骤进行去除以增强网络卷积效率,再利用新DCNv4对骨干网络C2f卷积模块进行融合以提升对网络图像中不同尺度裂缝性状及空间位置变化的细节感知能力,并采用自建裂缝数据集对SSD,Faster-RCNN,YOLOv5和YOLOv84种检测模型进行对比验证。研究结果表明:D-YOLO的F_(1)分数为80.82%,mAP@0.5为86.90%,相较于SSD、Faster-RCNN、YOLOv5和YOLOv8都有所提升;D-YOLO的单张图像检测速度为20.36 ms,相较于各种对比模型分别加快37.06%、65.33%、45.22%和28.39%;同时,D-YOLO对衬砌裂缝图像特征关注范围有所增加。研究结果可为隧道运营期内衬砌安全检测提供新思路。

基于DCNv2和Transformer Decoder的隧道衬砌裂缝高效检测模型研究

为解决因衬砌裂缝性状随机、分布密集、标注框分辨率低所导致的现有模型识别精度低、检测速度慢及参数量庞大等问题,以第2版可变形卷积网络(DCNv2)和端到端变换器解码器(Transformer Decoder)为基础对YOLOv8网络框架进行改进,提出了面向衬砌裂缝的检测模型DTD-YOLOv8。首先,通过引入DCNv2对YOLOv8主干卷积网络C2f进行融合以实现模型对裂缝形变特征的准确快速感知,同时采用Transformer Decoder对YOLOv8检测头进行替换以实现端到端框架内完整目标检测流程,从而消除因Anchor-free处理模式所带来的计算消耗。采用自建裂缝数据集对SSD,Faster-RCNN,RT-DETR,YOLOv3,YOLOv5,YOLOv8和DTD-YOLOv8的7种检测模型进行对比验证。结果表明:改进模型F1分数和mAP@50值分别为87.05%和89.58%;其中F1分数相较其他6种模型分别提高了14.16%,7.68%,1.55%,41.36%,8.20%和7.40%;mAP@50分别提高了28.84%,15.47%,1.33%,47.65%,10.14%和10.84%。改进模型参数量仅为RT-DETR的三分之一,检测单张图片的速度为16.01 ms,FPS为65.46帧每秒,对比其他模型检测速度得到提升。该模型在面向运营隧道裂缝检测任务需求时能够表现出高效的性能。