基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

固废循环材料铁路底砟试验性能研究

有砟轨道至今仍是铁路轨道的主要形式之一,相对于无砟轨道,有砟轨道更节约成本.底砟是铁路碎石道床的重要组成部分,起着传递荷载、排水和防止道砟层与路基层相互渗透等作用.随着我国铁路系统规模的不断扩大,天然岩石资源匮乏,开发新的底砟替换材料对节约石材有着重要意义.而再生混凝土骨料、再生砖渣、钢渣等,被认为是具有良好力学特性的...     

匹配测量在海工钢结构精度控制中的应用

在海工类结构建造过程的精度控制中,由于施工现场的工况较为复杂,经常会遇到无法直接观测到精度控制点的情况。对此,以某海工项目的塔架结构建造集成为例,采用目前国内海工制造业通用的精度分析软件,探讨如何将空间匹配技术与精度控制相结合,解决全站仪测量过程中控制点被遮挡的问题。介绍用于进行空间匹配的间接点布置方法,阐述在建造阶段和集成阶段采集到的间接点数据的匹配方法。通过对比,分析匹配测量与直接测量的精度差异,并提出用于进行空间匹配的间接点的布置原则。