摘要：渗漏水病害是盾构隧道运营期间最为常见的一种表观病害,对隧道结构安全与周边地层稳定具有不利影响.基于深度学习的图像病害识别方法,构建了包含检测装置与人工巡检两种方式采集图像的混合样本集.以平均准确度为评估指标,训练得到Mask R-CNN深度学习模型的分割准确度达到0.447,优于原样本集(0.386)与扩容样本集(0.403).考虑隧道渗漏水病害形态复杂的特点以及不同病害间较大的特征差异,进一步采用条件卷积动态生成的分割模型参数代替Mask R-CNN模型中静态的模型参数,提高了模型的分割速度与精度.以每秒运算图像数量(Frames Per Second,FPS)为评估指标,模型分割速度由7FPS提升至10FPS,且分割结果与病害真实轮廓更为接近,从而有利于对渗漏水病害的严重程度进行量化分析.

摘要：针对复杂大田环境下基于卷积神经网络的麦穗检测方法实时性差、检测精度低的问题,提出一种基于三目注意力机制的高效轻量化麦穗检测算法。采用MobileNetV3作为主干网络对特征进行高效提取;通过融合通道、空间和位置的特征信息设计三目注意力机制,提升模型对关键特征的敏感度;基于条件卷积设计全局多头自注意力机制,增强全局特征的提取能力;选择CIOU作为边框回归损失函数,增强遮挡及重叠目标的检测效果。实验结果表明,与其它优秀的算法相比,所提算法在减少模型容量的同时,提升了检测精度和速度。