基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。     

基于改进型D3QN深度强化学习的铁路智能选线方法

传统的人工选线方法劳动强度大,设计效率低,随着我国铁路建设重心向西部复杂艰险山区转移,人工选线面临的困难日趋凸显。为缩减铁路选线的人力物力成本,提高设计效率,亟需发展结合了人工智能和信息技术的现代选线技术。为此,提出一种基于深度强化学习理论的铁路智能选线方法。以带有空间属性信息的数字高程模型为选线环境,以相邻空间点间的建造费用为即时奖励,以工程建造费用最小为优化目标,设置离散化的备选动作,考虑多种约束条件,构建面向铁路选线的深度强化学习模型。结合深度学习的感知能力和强化学习的决策能力,利用双竞争深度Q学习网络(DuelingDouble-Deep Q Network,D3QN)对模型进行训练,既克服强化学习问题对复杂状态和动作空间难以收敛的缺点,同时解决了传统DQN算法易于出现过估计、训练不稳定的问题,实现自动对选线环境进行感知、搜索、判断、决策,最终寻得目标函数最优的线路方案。以某山区铁路对本方法进行验证,实验结果表明：该方法能搜索到多样化的线路备选方案,可以为设计人员提供新的设计思路;有效降低了铁路建设的经济费用,较人工选线方案节约最多达17.5%。智能选线方法可以帮助节省选线工作...     

孤立波作用下单排桩附近床面冲刷实验研究

为揭示海啸波冲击下桩式防波堤的桩基附近泥沙冲刷特性,文章通过物理模型实验研究了孤立波作用下单排桩柱结构附近床面的局部冲刷问题,测试了入射波高和水深对冲刷坑形态发展的影响。结果表明:床面冲刷主要发生在相邻柱体的间隙处;在冲刷过程的前期阶段,排桩不同间隙附近床面冲刷的演变存在一定的差异;到冲刷后期,各间隙床面三维形态上的差异逐渐消失;达到冲刷平衡后,在间隙附近形成显著的冲刷坑,冲刷坑的下游则出现淤积的沙坝;沿间隙中心线剖面上的最大冲刷深度出现在柱中心偏下游位置,最大淤积高度出现在柱中心下游的几倍圆柱直径范围内。冲刷坑沿槽宽方向的发展随着波高的增大而增大,随着水深的增大变化不明显;平衡剖面上最大冲刷深度、最大淤积高度和冲刷坑水平长度亦随着波高的增大而显著增加。试验成果可为进一步建立相应的三维泥沙冲刷数值模型提供校核依据。     

将党史学习教育与生产经营工作深度融合

郑州公交集团党委坚决贯彻落实习近平总书记重要指示精神和市委、市国资委党委各项决策部署,将党史学习教育作为推进新时代党的建设的重大契机和提升企业党建工作质量的重要抓手,落实省委、市委工作会议和市十二次党代会精神,聚焦改革发展,聚焦重点任务,在"我为群众办实事"中,厚植公交为民情怀,推动学习教育成果转化为企业高质量转型发展的奋进动力,提升市民出行获得感、幸福感、安全感。     

基于改进的YOLOv3接触网鸟巢检测与识别

接触网上鸟巢对铁路安全稳定运行存在严重威胁.为检测和识别接触网上鸟巢以解决鸟巢对铁路运行造成的不良影响,提出一种改进的YOLOv3算法.首先对接触网鸟巢图像进行前期预处理,去噪等操作能够加强对鸟巢本质特征的提取,数据增强一定程度上避免神经网络的过拟合现象产生.然后在网络结构中加入空间金字塔池化模块,对特征图进行不同尺度...     

基于语义分割网络的路面积水与湿滑区域检测

积水或湿滑路面的道路附着系数远小于干燥路面的附着系数,对交通的安全性和机动性都有很大的影响.通过及时获取路面状态信息而发出预警,可大大减小潜在伤害.本文中研究了基于图像的语义分割网络在积水和潮湿的路面状态识别中的应用,它不仅可预测未来路面状态信息,且可得到路面积水和湿滑区域的分布.该方法利用语义分割网络Res-UNet...     

枢纽下游河床冲刷深度估算方法

根据沙量守恒原理,从宏观上建立了清水冲刷深度估算公式。公式涉及到床沙可悬百分数;推移质单宽率输沙量及其变化过程;冲刷过程中水流条件的变化;粗化层厚度及其级配等疑难问题。通过水槽试验和理论分析给出了这些问题的计算关系式,获得了冲刷深度估算方法。经试验资料检验,精度良好。     

粘性填土挡土墙主动土压力分析

现有层分法在分析粘性填土主动土压力时存在两大问题:一是墙顶附近土压力可能出现负值,致使该处的受力状态在公式推导时和计算后不一致;二是分析确定的开裂深度偏大.为此,考虑填土开裂过程对土压力的影响,借鉴层分法采用微分薄层进行分析的方法,重新推导了开裂分析及土压力计算公式,消除了墙顶土压力出现负值的现象.算例分析表明:改进法求得的开裂深度减小,主动土压力和倾覆力矩明显增大,且随填土粘性增大,这种差异越显著;同时与广义库仑理论(考虑开裂)进行了比较,两者求得的主动土压力很接近,但改进法求得的倾覆力矩更大.     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型,是交通流理论 的基础。近年来,信息感知与获取、大数据、人工智能等技术快速发展,推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型,是以真实的车辆行驶数据为基础,利用数据科学与机器学习等 理论和方法,通过样本数据的训练、学习、迭代、进化,挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮,归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型,并分别介绍了其中的典型代表。分析数据源发现,尽管各 种高精度轨迹数据不断涌现,目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据,模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量,是否有必要考虑更多行为变量,现有输入、输出 是否可替换。在模型测试与验证方面,发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后,探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理,帮助研究者更好地了解数据驱动跟驰模型的过去与现状,促进相关研究的快 速发展。     

基于多源数据的车流量时空预测方法

为提高车流量的预测精度,本文中从外部特征、时间特征和空间特征的角度综合考虑了多因素对车流量的影响,提出了一种基于多源数据和时空预测的车流量预测方法.在外部特征方面,深入探索了日期、天气和兴趣点特征对车流量影响;在时间特征方面,提出了基于时间卷积网络(TCN)的时间序列预测框架,并以近邻周期和日周期为基线分别建立时间预测...