控制点识别的全自动相机标定算法研究

针对现有相机标定环节中控制点需要手动选取,标定自动化程度不高,效率较低的问题。该文在圆心投影点精确定位研究成果的基础上,提出了一种基于角距的控制点自动识别算法,解决了三维高精度控制场下全自动相机标定的关键环节。初步实验表明,在同等条件下,基于该方法的全自动标定精度、效率和稳定性均优于传统人工选取控制点的标定方法。     

一种基于改进实例分割模型的路面裂缝检测方法

为了解决现有裂缝识别算法准确度不高、检测与分割任务不能同时进行等问题,提出了一种基于改进型Mask R-CNN模型的路面裂缝识别方法。首先,建立裂缝数据集并进行标注,然后使用Mask R-CNN模型对裂缝数据集进行训练和测试,并对模型中锚点的长宽比进行调整,实现在裂缝定位的同时对生成的检测框内的裂缝像素进行分割;其次,针对Mask R-CNN模型生成的裂缝检测框不精准的问题,设计了C-Mask R-CNN多阈值检测方法,通过结合级联不同阈值的检测器来提高候选框质量,实现高阈值检测下的裂缝精准定位;最后,对改进后的模型进行一系列的优化参数和实验对比,并验证所提模型的有效性。实验结果表明,C-Mask R-CNN模型检测部分的平均准确率均值（mean average precision,mAP）达到0.954,与改进前模型相比提升了9.7%,分割部分的mAP达到0.935,与改进前相比提升了13.0%,识别效果较好。综上所述,C-Mask R-CNN模型可以较为完整地对裂缝进行定位及提取,识别精度较高。     

哈苏555ELD相机用于工业摄影测量的精度测试

利用平面测量点对哈苏555ELD相机用于工业摄影测量的测量精度进行测试试验,在2 m×3 m范围内其点位测量精度约为±0.13 mm,相对精度约为1/3万。分析影响其测量精度的因素,并提出通过提高成像质量及改进相机畸变模型的方法提高测量精度。     

基于有限元模型的数字工业摄影测量相机二次检校

针对数字工业测量相机检校问题,在10参数相机畸变模型的基础上,提出一种基于有限元模型的二次检校方法,利用10参数模型补偿相机可预见性畸变差,剩余的不可预见性畸变差则利用有限元模型进行二次补偿。通过对INCA3量测型相机和CanonEOS 5D Mark Ⅱ、Nikon D2H非量测型相机的检校试验发现,量测型相机的机械结构稳定、成像噪声低、测量精度提高显著,但非量测型相机的精度提高不明显。     

面向对象方法的路面线性裂缝识别与测量方法研究

研究面向对象图像处理技术的路面线性裂缝自动识别方法。分析传统方法的缺陷,提出采用面向对象技术分析对象的几何特征(极限误差理论、扁率、方向、面积)约束条件,实施串行滤波筛选候选对象,实现路面线性裂缝的自动识别,并自动计算裂缝的长度与宽度。试验结果表明,该方法具有较高的稳定性和有效性。     

基于Canon-5D相机的高精度近景摄影测量研究

由于受地面摄影条件的限制,将普通数码相机引入到近景摄影测量领域的研究与应用目前相对较少。本论文以普通的Canon-5D相机为基础,阐述了数字近景摄影测量的基本作业思路,并以边坡变形监测的实例,实现了厘米级的高精度近景摄影测量。     

一种基于相对关系不变性的双相机标志点匹配算法

针对双相机数字工业摄影测量中的人工标志点自动匹配问题,设计了一种基于相对关系不变性的图像匹配算法,根据平缓过渡曲面上相邻点间相对关系在两张像片上一致的原理,解决了两张像片的标志点自动匹配问题。3组实验表明,该算法匹配正确率高,匹配速度快,能够满足动态测量数据处理的需求。     

浅论基于非量测相机的近景摄影技术

本文主要介绍基于非量测相机的近景摄影技术的基本特点和优点,同时对非量测相机的近景摄影测量基本过程进行了阐述,从而论述了基于非量测相机的近景摄影技术应用的良好前景。     

基于Faster R-CNN的遥感影像船舶检测识别

随着遥感技术的不断发展,遥感大数据在人们生活中扮演着越来越重要的角色,但由于遥感数据量大,数据处理较为困难。机器学习技术凭借如今硬件科技的发展,使得其自身计算处理能力得到了巨大的提升,因而被广泛地应用于各个领域。由于数据处理和计算机能力的提升,深度学习被广泛应用于遥感领域中。同时,深度学习在其他领域中也被证明是一个极其强大的工具。结合遥感数据量大的特点,本文通用Faster R-CNN的方法实现了对船舶遥感影像的快速检测,并且取得了较高的检测率。     

基于TLS的盾构隧道收敛测量研究

盾构隧道施工完成后的收敛测量是一项十分重要的工作。文中以某在建盾构隧道为研究对象,研究采用地面三维激光扫描技术(Terrestrial laser scanning,TLS)进行收敛测量的方法与步骤。应用TLS获取隧道管片表面的点云数据,对点云数据进行配准、消噪、建模等处理;采用Ransac算法和最小二乘算法提取隧道点云数据的中轴线;根据点到平面的距离获取断面点,应用椭圆方程以及最小二乘的方法对断面点进行拟合;最后,利用直线与椭圆交点获取不同方向上的隧道半径,完成收敛测量。研究结果表明,应用TLS技术可以快速、准确、详尽地获取盾构隧道的收敛情况。     

激光点云在地铁盾构隧道病害诊断中的应用

移动式三维激光扫描技术在地铁盾构隧道安全监测工作中应用较为成熟。本文以地铁盾构隧道监测点云数据为基础进行研究,实现了地铁盾构隧道病害智能诊断。首先通过激光点云生成灰度图像;在此基础上运用卷积神经网络CNN,对地铁盾构隧道中的渗漏水和裂缝的识别技术进行了深入研究;最终生成隧道病害智能诊断系统,为地铁安全运营提供了智能监测方法,有效提高了我国地铁运营监测的技术水准。     

一种基于用户异步轨迹的身份识别智能方法

针对传统的轨迹身份识别存在的特征选择主观性强、精度有限等问题,本文提出了一种融合双向循环神经网络模型(ConvGRU-Bidir)。首先采用一维卷积和一维池化压缩轨迹数据,提取高维特征;然后采用双向GRU,分别从时间正序和时间逆序学习轨迹特征,最终实现用户身份ID识别。研究采用GeoLife轨迹数据集,来自122名用户的10837个轨迹样本参与模型训练及测试。结果表明,本文提出的模型对于异步轨迹数据的身份识别精度达97.28%,相比现有方法精度至少提高30%,由此证明了深度学习在此类问题上的可行性和有效性。     

基于单阶段实例分割网络的黄土滑坡多任务自动识别

滑坡自动识别能够解决人工目视解译方法速度慢的问题,现有基于深度学习的自动识别方法多以目标检测和语义分割等单任务识别方法为主。本文基于深度学习实例分割网络探索可同时完成滑坡目标定位和语义分割的多任务识别方法。首先,基于谷歌地球影像构建了包含3822个样本的黄土滑坡样本数据集;然后,采用单阶段实例分割网络(YOLACT)构建了基于小样本学习的黄土滑坡多任务自动识别模型;最后,通过大、中、小3种比例尺度的滑坡测试样本对识别结果进行评价。试验结果表明:①滑坡目标定位框(Box)平均精确度为61.66%,滑坡语义分割掩码(Mask)平均精确度为62.0%,大比例尺测试结果中Mask交并比为0.88;②基于YOLACT构建的滑坡识别模型可同时完成滑坡目标定位和滑坡高精度掩码分割的双任务识别,为滑坡多任务自动识别及快速制图提供了技术支撑。     

基于深度学习的视频识别及动态监测技术应用

基于国内外城市轨道交通建设工程安全管理及信息化建设现状,本文分析了当前轨道交通建设过程中安全管理面临的难点问题,论述基于Faster R-CNN的施工现场视频识别方法,并引入图像空间特征,提高了施工现场人员不安全行为的识别率;采用基于Apriori关联分析算法构建施工环境、设备动态监测与隐患数据间的潜在强关联关系的分析处理流程,提高了施工现场隐患的发现与处置效率。在此基础上提出轨道交通建设安全管理平台总体架构,重点介绍了安全风险隐患管理、视频监测目标识别等在内的安全管理核心模块的应用实践。应用成果表明,本文算法与平台可有效提高施工现场安全信息处理效率,降低安全事故总体发生率,为城市轨道交通建设安全管理提供有效技术支撑。     

利用深度学习模型智能识别地下排水管道缺陷

排水管道健康状况直接影响整个城市的排水效果,CCTV检测作为目前最为常见的排水管道健康状况检测方法,仍存在自动化程度不高、工作效率低下、严重依赖人工经验等问题。为解决以上问题,本文将当前先进的深度学习技术与地下排水管道缺陷检测技术相结合,提出了一种基于深度学习模型的地下排水管道缺陷智能识别技术。同时,将管道缺陷智能识别与管道检测工作流程紧密结合,实现城市排水管道检测报告的快速自动生成等功能,从而大大提高排水管道缺陷的检测效率。