针对水下混凝土结构裂缝数据获取成本高、噪声干扰多且识别精度低的问题,提出一种基于图像矩理论和迁移学习的矩特征迁移(moment feature transfer network,MTNet)裂缝识别模型。为减小由数据不足引起的过拟合以及提高水下混凝土结构裂...针对水下混凝土结构裂缝数据获取成本高、噪声干扰多且识别精度低的问题,提出一种基于图像矩理论和迁移学习的矩特征迁移(moment feature transfer network,MTNet)裂缝识别模型。为减小由数据不足引起的过拟合以及提高水下混凝土结构裂缝的识别精度,首先,提出多尺度矩特征算法提取裂缝的形状和纹理信息,降低背景噪声对裂缝识别的影响;其次,提出矩特征嵌入模块,该模块能有效地将多尺度矩特征算法融合到神经网络模型中;然后,提出MTNet模型用于裂缝识别,该模型融合了特征的矩信息和注意力模块,不仅可以提取裂缝特征的语义信息还能抑制背景噪声,从而提升水下混凝土结构裂缝分割质量;最后,建立水下混凝土裂缝数据集作为迁移学习的目标域数据集,以此降低样本不足对裂缝识别性能的影响。实验结果表明,本文所提出的裂缝识别MTNet模型具有较高的识别精度和泛化性能,能够准确识别复杂背景下水下混凝土的裂缝。展开更多
文摘数字高程模型(digital elevation model,DEM)可用于表达滑坡裂缝凹陷地形特征及高程变化,基于DEM能够对滑坡裂缝进行识别。然而,单一的DEM地形地貌数据难以精确表达滑坡裂缝复杂的地形特征。文中提出了一种基于机载激光雷达(light detection and ranging,LiDAR)DEM多特征地形地貌数据融合增强的滑坡裂缝识别方法。首先,通过无人机挂载LiDAR传感器采集获取裂缝的点云数据,并构建LiDAR-DEM,基于DEM生成4种多特征地形地貌数据,包括山体阴影、坡度、正开度和天空视域因子。其次,利用考古地形可视化(visualization for archaeological topography,VAT)方法对DEM多特征地形地貌数据进行融合增强处理,得到DEM多特征融合增强图像。然后,基于大津法(Otsu’s method,OTSU)算法进行滑坡裂缝识别。最后,采用连通域分析和数学形态学闭运算对识别出来的滑坡裂缝进行优化,得到完整准确的滑坡裂缝。以云南省禄劝县的烂泥沟滑坡裂缝为研究区,采用精确率、召回率、F1分数指标对识别结果进行精度验证。最终精确率为0.85,召回率为0.90,F1分数为0.87。研究结果表明,文中方法的滑坡裂缝识别效果较好,能够得到完整的滑坡裂缝,可为滑坡裂缝识别提供一定的参考。
文摘针对水下混凝土结构裂缝数据获取成本高、噪声干扰多且识别精度低的问题,提出一种基于图像矩理论和迁移学习的矩特征迁移(moment feature transfer network,MTNet)裂缝识别模型。为减小由数据不足引起的过拟合以及提高水下混凝土结构裂缝的识别精度,首先,提出多尺度矩特征算法提取裂缝的形状和纹理信息,降低背景噪声对裂缝识别的影响;其次,提出矩特征嵌入模块,该模块能有效地将多尺度矩特征算法融合到神经网络模型中;然后,提出MTNet模型用于裂缝识别,该模型融合了特征的矩信息和注意力模块,不仅可以提取裂缝特征的语义信息还能抑制背景噪声,从而提升水下混凝土结构裂缝分割质量;最后,建立水下混凝土裂缝数据集作为迁移学习的目标域数据集,以此降低样本不足对裂缝识别性能的影响。实验结果表明,本文所提出的裂缝识别MTNet模型具有较高的识别精度和泛化性能,能够准确识别复杂背景下水下混凝土的裂缝。
