基于YOLO的铁路侵限异物检测方法

基于现有的铁路侵限异物检测方法只能识别出静态障碍物且识别速度较慢的问题,提出一种基于YOLO算法的铁路侵限异物检测方法.针对铁路侵限异物检测的特殊性,合理设计YOLO模型结构.采用24个卷积层、4个最大池化层及2个全连接层完成异物图像的提取、降维、识别输出,并使用实拍疑似侵限异物图片对YOLO模型进行预训练,达到学习及降低过拟合的目的,最终实现了异物定位及识别的功能.实验中通过对1 660张单幅疑似铁路侵限异物图片进行检测,结果表明,该方法对正常曝光的侵限异物图片检测准确率较高,而且在识别速度方面较AlexNet及Adaboost算法具有较大的优越性.     

地质雷达检测隧道衬砌常见病害模型实验研究

建立了由素混凝土、单层钢筋网及双层钢筋网3个区段组成的隧道衬砌试验模型,模型中布设了常见病害（空洞、空洞积水和混凝土析水）。模型自然养护28天,运用地质雷达对衬砌模型进行检测。对比隧道衬砌模型的地质雷达剖面图与实际的衬砌布设情况,可得结论：地质雷达检测对钢筋的存在反应敏感;双层钢筋网检测存在一定程度的缺陷;病害复杂（叠加）处检测图像辨识准确度较差;钢筋网的存在对其上下方病害的检测存在一定的影响;空洞积水的反射特征明显,易于识别;地质雷达（配800 MHz天线）的检测精度约在50 mm范围内,不能完成小尺寸空洞的检测。这为隧道衬砌常见病害的检测识别提供了一定的经验依据,并对隧道衬砌中双层钢筋网内病害和小尺度病害的检测做了初步探讨和研究。     

探地雷达在南昆铁路挡土墙完整性评价中的应用

介绍了探地雷达技术检测挡土墙完整性的基本原理。并结合工程实际,采用追踪识别法对所测探地雷达图像进行分析解释。分析结果表明,探地雷达这种无损检测技术能够较准确的完成挡土墙病害预报任务,包括厚度、含水量、裂缝、空洞等多种病害。     

探地雷达正演模拟在隧道衬砌病害检测中的应用研究

为了研究探地雷达(Ground Penetrating Radar, GPR)方法在隧道衬砌病害检测中的应用,利用GprMax和MATLAB软件平台,采用时域有限差分(Finite Difference Time Domain, FDTD)方法分别对素混凝土、不同间距的双层钢筋混凝土结构下方存在的典型脱空病害进行正演模拟,得到了衬砌病害的典型GPR图谱特征,并结合2个工程实例对隧道衬砌GPR检测数据进行分析。结果表明：探地雷达正演模拟得到的衬砌病害图谱特征可为实际衬砌病害的客观判读和正确解译提供指导,能准确圈定实测衬砌内部存在脱空病害的埋深和分布范围。     

地质雷达在梅河高速公路路基质量检测中的应用

地质雷达具有快速、连续、无损检测等优点,是近年来发展较为迅速、效果较为显著的检测方法之一。结合地质雷达在梅河高速公路路基质量检测的工程实例,通过分析几种典型的路基质量缺陷波形图像,从雷达检测路基的应用效果来看．使用该方法能够快速、准确地检测到路基下陷、路基不密实以及路基空洞等质量缺陷。随着地质雷达检测技术的不断完善和发展。地质雷达检测将成为路基质量评定中重要的环节之一。     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

地质雷达在客专隧道病害调查中的应用

随着高速铁路的大量建成和投入使用,其质量检测和隧道路基病害检测的重要性日益凸显。探地雷达（GPR）法作为一种常规的质量检测方法具有分辨力强、成本低、时间短等优点,因而被广泛应用于公路建设。工程试验表明,探地雷达同样可以快速、准确地完成铁路路基病害无损检测。结合在相关高速铁路上的检测实践,基于病害的发生机理和发育特征,对地质雷达法在隧道常规质量检测中的应用加以探析,从而为路基质量评价提供了有效的依据。     

路面病害智能识别和养护管理系统应用

为提高路面病害的识别效率和养护管理的工作的针对性,研究采用卷积神经网络智能算法训练巡检车采集的道路视频图像,有效识别裂缝、坑槽、龟裂、破碎、修补等多种道路病害类型;分析病害养护管理系统,包括路面病害GIS可视化,病害上报、审核、派单、接收、养护、验收等养护考核功能,实现道路病害识别的全流程闭环管理。以某地区城市道路养护管理为例,建立道路病害智能识别和养护管理信息系统,为养护管理部门便捷、高效、有针对性地开展日常养护管理工作提供了技术支持。     

无损检测技术在道路工程隐性病害中的研究进展

脱空、空洞等隐性病害直接影响着道路桥梁的安全性与耐久性,而传统的隐性病害检测方法无法直观判别病害的发生与扩展,因此利用快速、高精度的无损检测技术对道路病害检测具有十分重要的意义。在阐释道路工程中脱空、空洞隐性病害的形成与扩展机理的基础上,综述了路面主要无损检测技术的分类及检测原理,并总结红外热成像、探地雷达及落锤式弯沉无损检测技术的研究进展;最后,就无损检测技术在道路桥梁工程中的应用趋势作出展望。     

基于深度学习CaffeNet模型的综合交通设施场景分类与识别研究

综合交通设施场景的自动分类与识别对交通网络布局、城市规划、智慧城市建设等方面有重要的研究与实践价值.鉴于目前研究主要集中在单一的交通设施目标识别与检测方面,采用速度快、分类精度高、适宜于海量数据运算的CaffeNet深度学习模型,基于迁移学习思想,通过5层卷积、3层池化、1层全连接等过程提取机场、桥梁、停车场、港口、火...     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

交通地图图像中道路识别与道路信息提取

提出了一种基于道路中心线的闭环反馈改善交通地图图像中道路识别与提取的方法,以达到识别与提取完整道路网络的目的.依据于微观识别与宏观排除的逼近思想,实现了道路图层的初始聚类与输出反馈控制下的道路图层完全提取.针对标准城市交通地图,确定了道路与区域阈值条件.通过对噪声的再聚类过程实现道路与区域的二值完全聚类.利用交通道路中心线特征构成道路图层反馈再聚类策略.反馈再聚类策略能够保证道路图层优化过程的收敛性质.试验结果表明了该方法具有较高的准确性、全自动化和通用性.     

基于总分式密集连接网络的图像超分辨重建

深层卷积神经网络在图像超分辨重建任务中取得了良好效果,虽然更深的网络结构有助于学习图像丰富的细节信息,但同时也会因为参数过多和梯度消失/梯度爆炸等问题使网络变得难以训练.针对这些问题,提出一种不过分依赖网络深度,对各卷积层利用率极高的总分式密集连接网络结构,该网络在局部结构中以级联的方式提取并融合临近卷积层的图像特征,再以局部残差结构降低网络的训练难度,缓解梯度消失/爆炸的问题;在全局结构中,同样以密集连接的方式对已学习到的局部特征进行再融合,最大程度的整合全局图像特征,提升网络学习效率.实验表明,在对比同等深度下不同网络模型的图像重建效果,所提出的算法能重建出质量更好的图像,网络对各卷积层学习到的图像特征利用率更高.     

基于MobileNet-SSD的铁路信号灯检测识别

为解决铁路轨旁信号灯的定位与实时检测问题,在深入分析传统SSD算法与MobileNet模型的基础上,将MobileNet模型的最后平均池化层、全连接层转换为SSD算法的多尺度特征映射层,提出了一种基于MobileNet-SSD的铁路信号灯检测算法.实验结果表明:该算法克服了传统SSD算法对小目标识别不准确、检测实时性较差的问题,检测速度更快,准确率更高;在50 m监控范围内,算法的平均检测准确率达到85%以上,同时具有25帧/s的实时识别能力.     

多特征混合神经网络模型在ADR分类中的应用

为了充分结合不同特征的信息实现对ADR文本的分类,提出一种混合多特征的神经网络模型,利用自然语言处理(NLP)工具提取不同特征向量作为不同通道的输入,依次使用卷积神经网络(CNN)和LSTM抽取特征,最后经过softmax分类器输出关系类型.通过实验验证对比表明:该模型有较好的识别精度,优于单一特征的神经网络模型.     

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明：笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S_SNR=-4～6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。     

道路场景中交通标志的检测方法

为在车辆视觉导航中能快速识别道路场景中的交通标志,通过提取标志的特征颜色与识别标志的特征形状来实现交通标志的检测。将道路场景RGB空间图像转换为HSI空间,利用色调与饱和度融合的办法来提取道路场景中标志的特征颜色区域,二值化后排除噪声并通过投影法得到正确的标志区域,实现交通标志的定位。以红色禁令圆形交通标志为例,提出一种改进的Hough变换方法来识别标志域内的几何特征——圆形标记。通过对不同条件下20幅含禁令标志的道路场景图像的检测试验,发现本方法对交通标志颜色提取定位与几何特征图形识别的正确率都达到100%,且平均检测时间为245ms。分析结果表明:该方法能够快速、准确地确定标志区域,同时对禁令标志几何图形识别具有较强的实时性和鲁棒性。     

基于无损检测技术的公路改扩建路面质量控制

依托开阳高速公路改扩建工程,采用三维探地雷达和落锤式弯沉仪检测旧路面内部损坏、弯沉、结构层模量,评价旧路面状况和制定病害处治方案;采用红外成像仪、无核密度仪和三维探地雷达检测加铺层的施工温度、空隙率和厚度均匀性.旧路面病害具有隐蔽性和发展特性,三维探地雷达可识别路面内部已形成的病害特征,落锤弯沉仪可识别内部发展中的损伤特征.无损检测技术有利于公路改扩建旧路面病害处治和沥青加铺层的施工质量控制.