基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素；裂缝检测模型集成于机器人平台，从而实现对土木基础设施的全自动裂缝检测。为此，从以上4个方面对当前研究进行了系统梳理。首先，回顾了深度学习的发展历程，重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着，详细介绍了3类基于深度学习的裂缝检测主流算法，包括分类算法、目标检测算法和语义分割算法。然后，对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后，总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明：基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类，而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取；由于像素级标注的成本和专业性高，大型的裂缝语义分割数据集相对缺乏，致使当前基于语义分割算法的裂缝检测模型鲁棒性较差；目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价，缺乏统一的基准测试数据集和评价指标体系，无法对不同模型的性能进行平行比较；目前针对不同基础设施已相应开发了一些裂缝检测机器人，提高裂缝检测机器人的多场景适应性，并降低其应用成本是未来的发展方向。     

浅谈船舶建造工艺与船厂工程工艺的关联性

通过对船舶建造工艺和船厂工程工艺的定义和设计输入条件的理解,分析两者之间的相互关联性和影响,归纳两者关联性在船舶建造和船厂设计中的实际应用,并提出两者关联性研究的意义。     

我国北方散货港口绿色提升改造难点研究

针对我国北方地区散货港口所面临的淡水资源匮乏、暴雨季堆场内涝、粉尘污染、噪声污染等难点问题，进行散货港口绿色提升改造研究。以散货港口所面临环境问题为导向，基于绿色设计理念，归纳总结出绿色提升改造方向。结合工程案例提出绿色提升改造具体方案，通过新建生态蓄水池构建港口水循环系统，可实现港区2 a一遇暴雨强度下雨污水的全收集、全处理、全回用；通过全过程污染控制，可有效降低港区粉尘浓度和噪声值。     

面向车路协同孪生仿真测试的多尺度滤波同步方法

为提升车路协同孪生仿真测试系统的同步性能，明确了孪生主体的运行机理，分析了影响系统同步性能的干扰因素，建立了孪生状态同步映射模型; 针对孪生状态采样的时钟异步问题，设计了时钟误差估计策略，修正了孪生仿真测试系统的量测时间偏差; 在此基础上，结合卡尔曼滤波原理，引入多尺度滤波器更新机制，建立了考虑同步采样误差的量测噪声模型，提出了多尺度滤波同步优化方法; 最后，在搭建的孪生仿真测试原型系统中，选取NGSIM数据集的车辆轨迹开展试验。研究结果表明:在不同车辆速度条件下，提出的多尺度滤波同步优化方法能够保持良好的同步性能; 在横向坐标同步方面，平均绝对误差小于1 mm，99.5%的绝对误差控制在8 mm以内; 在纵向坐标同步方面，平均绝对误差小于9 mm，99.5%的绝对误差控制在38 mm以内; 在速度同步方面，平均绝对误差小于2.8 cm·s-1，99.5%的绝对误差控制在24 cm·s-1以内; 在偏航角同步方面，平均绝对误差小于1.1×10-3 rad，99.5%的绝对误差控制在1.1×10-2 rad以内; 与航迹推算方法相比，提出的方法能够在横向坐标、纵向坐标、速度和偏航角方面平均提升30.0%的同步精度，能够有效解决孪生主体的状态异步问题，可保障车路协同孪生仿真测试系统的实时同步与精准运行。