排序方式: 共有166条查询结果,搜索用时 15 毫秒
51.
为进一步提高利用二维图像统计路面病害的精度与效率,将卷积神经网络(Convolutional Neural Network,CNN)技术引入了基于图像分析的路面病害识别与测量。首先,将原始图像进行等尺寸分割作为CNN的训练样本。其次,经结构设计、前反馈算法训练及样本测试3个步骤后,建立病害识别模型(CNN1)。用训练完成的CNN1对所有图像进行病害类型识别并将输出结果作为裂缝特征提取模型(CNN2)和坑槽特征提取模型(CNN3)的训练样本。采用相同步骤建立裂缝特征提取和坑槽特征提取模型,完成训练后,运行CNN2,CNN3对路面裂缝与坑槽图像进行特征提取。最后,分析图像分辨率对3个CNN识别和特征提取精度以及效率的影响。结果表明:CNN1可以准确识别多种病害,CNN2的裂缝长度提取的平均误差为4.27%,宽度提取的平均误差为9.37%,裂缝病害严重等级判断准确率为98.99%;CNN3的单张图像中的坑槽个数测量无误差,单个坑槽面积的平均误差为13.43%,坑槽病害等级判定准确率为95.32%,可见CNN具有较高的测量精度;CNN1在使用CPU的情况下测试完成原始图像平均用时为704 ms·幅-1,CNN2用时为5 376 ms·幅-1,采用图形处理器加速后CNN1用时为192 ms·幅-1,CNN2测试平均用时为1 024 ms·幅-1,可见CNN在图形处理器加速下效率具有显著优势,相比其他方法,在图像分辨率高于70像素时,CNN对路面裂缝与坑槽的识别与测量具有运算高效、结果精准等优势。 相似文献
52.
53.
54.
提出工序质量节点的概念,制定项目工序质量节点检验标准,使监理机构的质量管理工作标准化、精细化;制定工序质量节点实时图像监控方法,实现对监理工作监控的实时化、信息化、公开化.通过实践证明,采用工序质量节点实时图像监控方法合理可行,能够实现工程建设过程控制. 相似文献
55.
56.
57.
58.
59.
60.
射击通道的选择对火箭助飞鱼雷的射击效率有至关重要的影响.通过对不同探测器材特性的分析,建立火箭助飞鱼雷射击的2个通道,重点分析了通道延迟时间的计算方法,并仿真了2种射击通道下火箭助飞鱼雷效率随通道延迟时间和目标速度的变化规律.仿真结果表明,不同射击通道对目标速度的敏感度不同,通道延迟时间对鱼雷射击效率影响较大,该结论对作战使用有一定的指导意义. 相似文献