摘要：阵列式超声波混凝土结构检测图像中的异常特征识别往往依赖人工经验,具有效率低下以及准确率难以保证等问题.本文将人工智能深度学习中经典网络模型ResNet50与代表性的目标检测网络模型yolov2进行融合,搭建了一套适用于超声检测图像智能判译的网络模型.选择将超声检测图像中钢筋和界面反射信号作为模型的自动识别目标体,并制作了包含此两类目标体标注的实测数据集.测试结果显示,搭建的网络模型在小样本超声检测图像数据集的识别上取得了显著的效果,网络模型识别钢筋和界面两类信号特征的平均准确率分别达到91.21%和80.24%,表明人工智能深度学习技术在地球物理图像解译方面具有强大的表征能力,能有效降低对人工经验的依赖,提升资料解译的可靠性和工作效率,应用前景广阔.

摘要：使用传统的yolov2网络训练出来的行人检测模型在背景简单以及行人遮掩不严重的情况下,检测效果良好,但是当背景复杂以及行人遮掩严重的时候,检测效果较差。针对此问题,在yolov2网络中添加HOG-CSLBP特征提取层,根据维度聚类方法对INRIA数据集目标聚类分析的结果调整yolov2网络的先验框个数与维度值。实验结果表明,在误检率为0.1时该算法的漏检率为9.13%,与传统的yolov2网络相比漏检率降低了5.27%,说明此方法有效可行。