摘要：GNSS/加速度计融合监测集合了两种传感器的优势,可以提高构(建)筑物变形监测的准确性和完整性。目的为了解决传统故障检测方法必须依赖假设已知真实状态信息、需要建立状态迭代器且计算效率低等问题,方法对传统故障检测方法和状态域一致性理论进行推导创新,提出一种基于状态域一致性理论的GNSS/加速度计集成变形监测突变故障检测方法。该方法基于状态估计值和状态预测值构建状态检验统计量,直接在状态域进行故障探测,无须已知真实状态信息且避免了状态信息的迭代计算,与传统方法相比,效率更高,鲁棒性更强。在英国威尔福德桥人为激励变形实验中,于量测域加入不同程度的粗差用以模拟突变故障,并通过所提方法对GNSS/加速度计融合过程进行故障检测。结果结果表明:基于状态域一致性理论的GNSS/加速度计集成变形监测突变故障检测方法可以区分桥梁正常运营过程中发生的变形和突变故障,并可对GNSS/加速度计融合时的突变故障进行检测和及时预警。结论研究表明基于状态域一致性理论的GNSS/加速度计集成变形监测突变故障检测方法具备相应的GNSS/加速度计融合故障检测能力,对提高GNSS/加速度变形监测的可靠性和一致性具有重要意义。

摘要：针对全卷积神经网络模型在进行建筑物提取时易产生过度分割以及内部空洞的问题,提出基于多重多尺度融合注意力网络(MMFA-Net)的高分辨率遥感影像建筑物提取方法.该方法以U-Net为主体架构,设计2个模块:多重高效通道注意力(MECA)和多尺度特征融合注意力(MFA). MECA设计在模型跳跃连接中,通过权重配比强化有效特征信息,避免注意力向无效特征的过渡分配;采用多重特征提取,减少有效特征的损失. MFA被嵌入模型底部,结合并行连续中小尺度空洞卷积与通道注意力,获得不同的空间特征与光谱维度特征,缓解空洞卷积造成的大型建筑物像素缺失问题. MMFA-Net通过融合MECA和MFA,提高了建筑物提取结果的完整度和精确率.将模型在WHU、 Massachusetts和自绘建筑物数据集上进行验证,在定量评价方面优于其他5种对比方法,F_(1)分数和IoU分别达到93.33%、87.50%;85.38%、74.49%和88.46%、79.31%.

摘要：为了提高不同类型支持装置在不同场景中的提取可靠性及精度,提出顾及空间关系的3D LiDAR支持装置自动提取算法.通过对GNSS轨迹点抽稀处理获取关键轨迹点,对原始数据进行分层、分块处理,获取原始点云支柱,支持装置数据区域.通过邻域搜索获取支柱中心点,依据其与轨迹点和支持装置搜索层的空间关系构建空间索引.以该索引为驱动实现支持装置的初提取,获取含有接触线的支持装置,引入柱状搜索、参数化投影滤波的方式滤除接触线点云,实现提取结果的优化.经过测试可知,该算法对提取支持装置的MIoU均超过93%,Dice系数均超过94%,可以兼顾多类型支持装置,具有较强的鲁棒性和应用价值.

摘要：现有基于深度学习的混凝土表面裂缝病害检测与识别模型未关注裂缝目标边缘关键特征学习,易导致在复杂背景下细微裂缝漏检以及裂缝病害宽度感知精度不高。针对此问题,提出将裂缝边缘作为目标关键特征进行感知学习,通过构建一种新的裂缝边缘预测分支网络,并与裂缝主干分割网络联合训练,形成一种基于双任务学习的裂缝检测与识别模型。利用Sobel边缘检测算子提取裂缝真值图中的边缘,作为裂缝边缘预测感知标记。通过通道卷积操作将原始裂缝识别网络的解码层划分为2条独立支路,一条支路用于完成裂缝主干分割任务,另一条支路则利用U-Net++网络解码器具有的聚合上下文功能,建立边缘预测分支网络。整个框架以正则化约束方式,将裂缝主干分割网络与裂缝边缘预测分支网络的损失函数联合训练,由此提高算法对裂缝病害的综合感知能力。通过选取一定数量的混凝土表面细微裂缝图像进行算法测试,实验结果表明本文算法在引入裂缝边缘预测增强感知模块后,在细微裂缝识别方面,取得了比FCN,U-Net及U-Net++网络更优的检测与识别效果。