【摘 要】
：
为快速准确地检测出混凝土桥梁上的裂缝,提出一种基于改进卷积神经网络的混凝土桥梁裂缝图像识别方法.为提高图像质量,先采用熵阈值法处理图像,后从3个方面对传统的卷积神经网络进行改进:设计双通道结构的卷积神经网络,充分提取图像特征;改进的传统的Relu激活函数,避免模型欠拟合;使用支持向量机(SVM)替代Softmax分类器,提高计算效率.桥梁裂缝图像识别实验表明,改进后的卷积神经网络对桥梁裂缝识别率显著提高,平均识别率高达96.26％,训练时间632s,可运用于实际桥梁修复检测中.
【机 构】
：
南京工业大学机械与动力工程学院,江苏南京211816
论文部分内容阅读
为快速准确地检测出混凝土桥梁上的裂缝,提出一种基于改进卷积神经网络的混凝土桥梁裂缝图像识别方法.为提高图像质量,先采用熵阈值法处理图像,后从3个方面对传统的卷积神经网络进行改进:设计双通道结构的卷积神经网络,充分提取图像特征;改进的传统的Relu激活函数,避免模型欠拟合;使用支持向量机(SVM)替代Softmax分类器,提高计算效率.桥梁裂缝图像识别实验表明,改进后的卷积神经网络对桥梁裂缝识别率显著提高,平均识别率高达96.26％,训练时间632s,可运用于实际桥梁修复检测中.
其他文献
在复杂环境下智能物流分拣系统中QR码检测任务有着较高的精度及速度要求,为满足工业现场硬件资源条件下算法模型的部署,提出了一种基于端到端网络的QR码快速检测算法.算法采用深度学习中主流One-Stage检测器作为基础框架,提取以及融合不同尺度的特征信息,同时在网络模型中加入优化的深度可分离卷积以及全连接注意力宏模块,以及应用快速非极大值抑制,整体上提升特征提取效果和模型检测的速度.最后,将文中算法与开源的经典模型(如YOLO V3、SSD-VGG、RetinaNet等)做对比实验,应用于采集于物流分拣现场Q
网络用户文档涵盖大量隐私敏感数据,传统隐私大数据检索方法面对多种类繁杂数据存在检索顺序混乱问题,导致检索命中率不高、效率低下等问题.为解决上述问题,提出基于相似树查询的隐私大数据定向检索算法.结合物-雾-云建立适用于海量数据的隐私保护检索系统,设计基于相似树查询的兄弟叶节点查询结构.利用网格区域分割将多种类繁杂数据集划分成多个子集,完成大数据的相互匹配与滤波.结合模糊谱聚类完成数据关联属性特征提取,按照数据聚类属性识别分类特征,引入识别结果完成隐私大数据定向检索.仿真结果表明,与传统方法相比,所提隐私大数
采用当前方法辨识制冷系统堵塞故障位置时,由于没有对相关数据进行预处理,导致辨识结果召回率低、误报率高、漏检率高.于是提出多联式空调制冷系统堵塞故障位置辨识方法.将待辨识的多联式空调制冷系统堵塞故障位置设为观测点,利用迭代检验方法对观测点时间序列进行清洗,消除对故障位置辨识贡献较低的数据,提高召回率.利用数据的能量熵、近似熵特征构建堵塞故障数据特征集合,完成堵塞故障特征融合提取,以降低误报率,采用基于交叉验证的SVM故障分类模型完成堵塞故障位置的辨识.实验结果表明,所提方法的召回率高、误报率和漏检率较低,实
针对传统方法构建的模型寻址规则与逻辑不匹配,导致物联网出现失效节点时模型寻址效果下降,在云信任度评估下,提出全新的物联网海量底层资源寻址模型构建方法.方法 预先制定底层寻址编码方案,采用元胞更新模型寻址规则,利用搜索算法设计寻址逻辑,通过建立寻址模型云信任度评估推荐模块,实现对海量底层资源寻址模型的优化.仿真结果表明,与传统寻址模型相比,设计的寻址模型的寻址准确率更高,构建的模型有更好的寻址效果.
针对传统医学图像检索存储体量大、检索效率低等问题,提出一种基于加权深度特征的医学图像并行检索方法.利用基于部分语义加权的卷积神经网络进行图像深度特征提取,筛选深层网络中对图像信息有效表达的特征;建立图像分布式乘积量化哈希编码模型,实现对高维特征的分布式编码压缩;最后,结合Spark并行模型对查询的医学图像执行分布式并行检索.在医学图像数据集上的实验证明,所提出的方法与传统方法相比具有更好的检索精度和检索效率表现.
针对一些电量预测模型缺乏对季节、节假日等特殊时间节点处理的过程,以及单一Prophet模型在节假日等特殊时间点易陷入过拟合,导致预测置信值偏差较大的问题,提出了一种改进Prophet预测方法.方法 在原有Prophet模型的基础上,增加了一个预测值优化模块,通过模块融合Prophet模型和XGBoost模型,利用XGBoost模型正则化项可有效防止过拟合的特点,对不同子模型的预测结果进行加权求和,减小预测误差.实验结果表明,与原始Prophet预测模型相比,改进后的预测模型X-Prophet有效减小了预测
针对自然语言处理情感分析领域中情感分类的问题,提出了一种基于多特征LSTM-Self-Attention的文本情感分类方法.方法 以词向量和词性向量为输入,利用LSTM网络模型提取文本的序列特征,并通过在模型中引入自注意力机制(self-attention),从序列特征中提取出句子的语法和语义特征,减少了任务的复杂度.上述方法避免了传统循环神经网络存在的梯度消失和梯度爆炸的问题,极大缩短单词长距离依赖特征之间的距离,提高了分类效果.最后使用中文电影评论数据集进行实验验证,结果表明该方法特征提取能力更强,使
数据采集时产生的数据缺失对多目标规划结果有着直接影响,将其作为考量因素,构建一种基于协变量缺失的集值映射多目标规划模型.根据下层决策者的反应,完成上层决策者的最优决策制定,采用目标函数值集代替最优反应集,架构集值映射多目标规划问题的数学模型及对应约束条件,从模型参数与非参数两个角度,实现协变量缺失下的经验似然推断.依据不同缺失概率的经验似然检验效果、各层函数不同等级的函数评估次数以及由目标函数取得的相关指标数据等各研究成果可知,所建模型具有一定的有效性与显著的性能优越性,大幅缩减了函数评估次数,对决策变量
由于三维虚拟人物动作高精度图像在预处理时存在噪声,降低了图像对比程度,导致图像重构效果较差,重构时间较长,由此提出基于视觉重要性的三维虚拟人物动作高精度图像重构方法.利用中值滤波器去除三维虚拟人物动作高精度图像噪声,引入直方图均衡化法,消除图像亮度差异,提高图像对比程度,采用拉普拉斯算法对图像进行锐化,使动画虚拟人物动作图像重构时细节与边缘更加显著;在图像预处理的基础上,对三维虚拟人物图像中对象视觉重要程度进行计算,根据计算结果,引入细节层次选择法LOD生成可视化效果最优图像,实现三维虚拟人物动作高精度重
现有的数据库丢失数据恢复重构方法大部分直接应用于随机丢失模式下,导致数据恢复重建准确度较差,提出基于遗传优化的数据库丢失数据恢复重构方法.综合考虑数据库内丢失数据与时间、空间之间的相关性,将丢失数据及其前一时刻的数据所在矩阵的行和列作为输入,以数据库丢失数据判断值为输出,构建支持向量机多输入单输出判断模型.在优化过程中,将Nelder-Mead的初始值设定为遗传算法进化值某代的最优参数,将该参数代入模型内,完成数据库丢失数据恢复重构.仿真结果显示所提方法能有效提升对丢失数据恢复重构的准确性.