基于机器视觉及结构光的隧道围岩结构变形测量方法及系统应用

隧道结构和支护体系的稳定性和安全性对隧道施工十分关键,为确保施工质量和安全,避免意外情况发生,需要对隧道施工过程进行监控,以及时采取应对措施。研究基于机器视觉及结构光的隧道围岩结构变形测量方法,采用测量相机实时采集隧道截面的线结构光图像,进行结构光中心提取,形成检测线,通过将检测线与历史检测线（基准线）进行对比分析,同时结合参考结构光源发出的基准轮廓结构光,校正主站自身位移,得到隧道全断面的变形测量结果。基于上述测量技术研制的系统在我国西南地区某隧道进行实测验证,其输出的拱顶沉降、周边收敛等测量值与全站仪测量的变形趋势吻合,测量精度及测量实时性满足要求,可进一步推广应用到更多的建设期隧道中,进行自动实时围岩结构变形监控量测,及时发现结构变形风险,保障隧道施工安全。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.