基于三维超像素分割的隧道围岩结构面智能识别方法

随着人工智能的不断发展，基于智能算法的快速、无损化隧道开挖面岩体特征识别方法，为在建或在役隧道地质灾害事故下的开挖面结构面调查提供了新思路。在开挖面三维全景图像的基础上，提出了三维SLIC超像素分割改进算法，将三维Mesh图像的基本元素——三角面(Triangle)按照颜色、空间坐标、法向量等指标进行聚类分组，以获取开挖面三维超像素；提出了基于角度差异性的结构面提取算法，对超像素进行逐一筛选，获取开挖面节理裂隙识别结果；基于此，进一步提出了基于无监督聚类学习的多级聚类围岩结构特征融合算法，将围岩节理裂隙识别结果进行聚类，获取开挖面的优势结构面组和大型跨里程结构面组；最后，结合浙江虎溪台隧道的21组开挖面三维图像数据对所提出算法进行了验证。结果表明：所提出算法的识别结果与地勘资料中2个主要结构面方向的倾向误差不超过14.8°,倾角误差不超过17.8°,验证了所提出算法有效性，该方法能较为准确地反映隧道围岩的结构面信息，并为隧道开挖面的结构面三维信息识别与评估提供了一种新的思路与方法。     

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题，本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先，构建多分支特征提取编码网络，并利用串行非比例式空洞卷积实现空间上下文信息提取，进而改善小目标信息的丢失；其次，构建基于空间对齐的跨层特征融合解码网络，实现语义信息和细节信息的融合，增强不同尺度目标的表达能力；最后，提出通道和空间注意力机制，建模全局通道相关性和长距离位置相关性，增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明，所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的；所提语义分割算法获得了77.79%和78.66%的平均交并比，能够平滑目标分割边缘，尤其对细长条形目标具有鲁棒性。     

基于事件触发的船舶编队有限时间控制

为改善船舶编队的时效性，针对船舶编队在海上作业时存在频繁的不必要的通信消耗问题，提出一种基于事件触发机制的有限时间控制策略。设计一个编队扩张状态观测器观测船舶动态信息并补偿船舶模型中的不确定性及外界干扰；针对自身的船舶编队系统定义一个由广义误差变量组成的固定阈值触发函数，将事件触发函数与非线性终端滑模控制器相结合，大大降低了编队控制律的更新频率；利用Lyapunov有限时间理论验证整个编队系统的有限时间稳定性，并证明控制器不存在Zeno行为。仿真结果显示，设计的编队控制器能在5s左右达到预期队形。与连续时间编队控制器相比，设计的编队控制器在保证编队队形的基础上大大降低了触发次数，从而节约了编队系统的通信资源。     

某型柴油机润滑油原子发射光谱分析经验阈值研究

为统计某型柴油机润滑油原子发射光谱分析经验阈值，文章汇总了同型装备历史监测数据，通过直方图分析了各元素质量分数样本分布规律。结果表明，绝大多数元素质量分数样本分布与理想正态分布相差甚远，不满足传统阈值确定方法的使用条件。文章针对几种典型分布样本，基于样本分布特点采用不同方法进行数据处理，并统计经验阈值。最后，将所确定的经验阈值与传统方法阈值作比较，并结合工作实践就阈值的合理性进行了分析。分析表明，文中方法确定的经验阈值更为合理。     

基于改进U型神经网络的路面裂缝检测方法

针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准，从而造成识别精度较低的问题，研究了基于改进U型神经网络（Unet）的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络，难以提取更复杂的裂缝特征信息，故本文以牛津大学视觉几何组网络（VGG16）作为传统Unet的特征提取网络，提高网络的裂缝特征提取能力；为抑制高低阶特征融合时产生的无用特征，本文在模型解码部分添加压缩与激励单元（SE block），构建裂缝注意力单元，使得网络可以关注不同通道下的裂缝特征，建立了基于SE block和VGG16的改进Unet网络（SE-VUnet）。研究采用迁移学习的方法，将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集，并使用摄像头采集图片构建1 600张路面裂缝数据集，再次训练SE-VUnet模型，获得裂缝区域分割结果。以查准率（precision）与查全率（recall）的加权调和平均值F1和雅卡尔（Jaccard）相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明:SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1，相比于Unet分别高出了1.04%和1.51%，且均高于其他3种对比模型；SE-VUnet的单帧图片预测时间为89 ms，在分割效果提升明显的情况下仅比Unet慢5 ms，优于其他模型。      

基于GhostNet的轻量级桥梁裂缝图像语义分割算法

针对现有的桥梁裂缝检测语义分割网络参数量过于庞大、计算时间长、难以部署在移动端等资源受限的设备上，而且存在裂缝细节识别困难、分割结果不连续的问题，提出了一种优化PSPNet网络结构的改进型轻量级裂缝语义分割模型Ghost-PSPNet。首先利用GhostNet替换ResNet-50作为主干网络，以更小的计算代价生成冗余特征，其次在模型中引入一条支路结构融合多层级特征，得到含更多准确裂缝形态、空间位置信息的高语义特征图，并在金字塔池化模块(Pyramid pooling module PPM)后嵌入自适应通道注意力机制ECANet来强化上下文语义关系衔接。实验结果表明，与PSPNet以及ShuffletNetV2、VGG16为主干的DeepLabV3+、UNet网络相比该模型mIoU值可达82.8%,所占内存仅为14.9 MB较原始PSPNet模型减少了近90%,实时帧率值FPS为38,实现了实时性和准确率的良好平衡。     

基于计算机视觉的钢桥面板裂纹识别方法

钢桥面板疲劳开裂为常见的钢桥病害，准确快速地发现并确定钢桥面板裂纹几何特征对降低运维成本、制定运维策略具有重要意义。针对传统人工巡检效率低、检测环境恶劣等问题，提出了基于计算机视觉的钢桥面板裂纹及其特征识别方法。采用目标检测网络YoloV5和图像语义分割网络U-Net++相结合的方法识别裂纹。根据2个网络的结构特性标注图像中的目标后生成数据集，并分别对网络中的参数进行训练。利用训练后的YoloV5与U-Net++分阶段对待测裂纹图像进行检测与分割，并通过阈值分割优化U-Net++分割结果，再通过骨架化后得到裂纹骨架线；在确定裂纹形貌后，采用YoloV5识别出的标定块求解透视变换矩阵与像素尺度系数，然后对裂纹骨架线进行图像矫正并确定裂纹几何特征。研究结果表明：YoloV5可准确检测出裂纹与标定块，且检测稳定性好；通过优化U-Net++训练时输入的像素尺寸，提高了U-Net++训练的收敛速度，网络损失由0.121降至0.096;求解透视变换矩阵时，使用所有角点坐标拟合该矩阵的最小二乘解可提高图像矫正标定的精度；当图像采集距离较远、角度较大时，角点投影误差增大，且该误差对角度更为敏感；不同图...