我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。
我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。
我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。
在冻结法施工中，保证冻结壁稳定性至关重要，传统的现场检测方法因其间断性而无法提供实时监测，限制了对冻结壁潜在灾变的及时响应，采用冻土的深层原位精准探测是揭示冻结壁重大工程灾变机理及灾害预警的有效手段。基于卷积神经网络提出一种基于图像数据驱动的冻土强度智能识别方法，通过对93组试样的多角度图像捕获及随后的单轴抗压强度试验，标注试样图像与实际强度数据并结合图像数据增强技术构建了深度学习模型训练所需的图像数据集；利用迁移学习深度残差网络34层(ResNet-34)模型，并对比其它不同模型的训练过程和测试结果，发现ResNet-34模型效果最佳，准确率为92.8%且没有出现过拟合现象；应用深度学习模型对冻土强度的影响因素土质、温度和含水率进行识别，发现模型能有效识别出三个变量，证明了模型识别冻土强度的科学性和可靠性；此外研究了模型在不同干扰条件下的表现，模拟典型干扰场景并分析其对模型预测性能的影响，为后续改进数据增强策略和模型优化方向提供依据；引入Grad-CAM(Gradient-weighted Class Activation Mapping)可解释性分析方法揭示卷积神经网络在冻土强度识...
在冻结法施工中，保证冻结壁稳定性至关重要，传统的现场检测方法因其间断性而无法提供实时监测，限制了对冻结壁潜在灾变的及时响应，采用冻土的深层原位精准探测是揭示冻结壁重大工程灾变机理及灾害预警的有效手段。基于卷积神经网络提出一种基于图像数据驱动的冻土强度智能识别方法，通过对93组试样的多角度图像捕获及随后的单轴抗压强度试验，标注试样图像与实际强度数据并结合图像数据增强技术，构建了深度学习模型训练所需的图像数据集；利用迁移学习深度残差网络34层(ResNet-34)模型，并对比其他不同模型的训练过程和测试结果，发现ResNet-34模型效果最佳，准确率为92.8%，且没有出现过拟合现象；应用深度学习模型对冻土强度的影响因素土质、温度和含水率进行识别，发现模型能有效识别出3个变量，证明了模型识别冻土强度的科学性和可靠性；此外研究了模型在不同干扰条件下的表现，模拟典型干扰场景并分析其对模型预测性能的影响，为后续改进数据增强策略和模型优化方向提供依据；引入GradCAM(Gradient-weighted Class Activation Mapping)可解释性分析方法揭示卷积神经网络在冻土强度...
在冻结法施工中，保证冻结壁稳定性至关重要，传统的现场检测方法因其间断性而无法提供实时监测，限制了对冻结壁潜在灾变的及时响应，采用冻土的深层原位精准探测是揭示冻结壁重大工程灾变机理及灾害预警的有效手段。基于卷积神经网络提出一种基于图像数据驱动的冻土强度智能识别方法，通过对93组试样的多角度图像捕获及随后的单轴抗压强度试验，标注试样图像与实际强度数据并结合图像数据增强技术，构建了深度学习模型训练所需的图像数据集；利用迁移学习深度残差网络34层(ResNet-34)模型，并对比其他不同模型的训练过程和测试结果，发现ResNet-34模型效果最佳，准确率为92.8%，且没有出现过拟合现象；应用深度学习模型对冻土强度的影响因素土质、温度和含水率进行识别，发现模型能有效识别出3个变量，证明了模型识别冻土强度的科学性和可靠性；此外研究了模型在不同干扰条件下的表现，模拟典型干扰场景并分析其对模型预测性能的影响，为后续改进数据增强策略和模型优化方向提供依据；引入GradCAM(Gradient-weighted Class Activation Mapping)可解释性分析方法揭示卷积神经网络在冻土强度...
在冻结法施工中，保证冻结壁稳定性至关重要，传统的现场检测方法因其间断性而无法提供实时监测，限制了对冻结壁潜在灾变的及时响应，采用冻土的深层原位精准探测是揭示冻结壁重大工程灾变机理及灾害预警的有效手段。基于卷积神经网络提出一种基于图像数据驱动的冻土强度智能识别方法，通过对93组试样的多角度图像捕获及随后的单轴抗压强度试验，标注试样图像与实际强度数据并结合图像数据增强技术，构建了深度学习模型训练所需的图像数据集；利用迁移学习深度残差网络34层(ResNet-34)模型，并对比其他不同模型的训练过程和测试结果，发现ResNet-34模型效果最佳，准确率为92.8%，且没有出现过拟合现象；应用深度学习模型对冻土强度的影响因素土质、温度和含水率进行识别，发现模型能有效识别出3个变量，证明了模型识别冻土强度的科学性和可靠性；此外研究了模型在不同干扰条件下的表现，模拟典型干扰场景并分析其对模型预测性能的影响，为后续改进数据增强策略和模型优化方向提供依据；引入GradCAM(Gradient-weighted Class Activation Mapping)可解释性分析方法揭示卷积神经网络在冻土强度...
高原高寒地区环境复杂、昼夜温差大，对铁路建设与运营产生不良影响，容易发生由于钢轨内部伤损引起的断裂事故。研究基于YOLOv5的超声波图像识别技术在青藏铁路钢轨探伤检测中的应用，特别是针对轨头核伤、轨面鱼鳞伤等常见伤损类型进行检测。通过智能钢轨探伤仪采集高寒地段钢轨数据，以YOLOv5方法对数据集进行整理、处理和模型训练，精准识别和定位轨头核伤、轨面鱼鳞伤等损伤。研究表明，基于YOLOv5的模型在识别和定位各类钢轨损伤方面具有很高的准确性和实时性，可以同时进行目标检测和类别分类，并能在保持较高准确度的同时实现快速检测。提供一种新的、更有效的钢轨探伤检测数据分析方法，有助于提高铁路安全和运营效率。
高原高寒地区环境复杂、昼夜温差大，对铁路建设与运营产生不良影响，容易发生由于钢轨内部伤损引起的断裂事故。研究基于YOLOv5的超声波图像识别技术在青藏铁路钢轨探伤检测中的应用，特别是针对轨头核伤、轨面鱼鳞伤等常见伤损类型进行检测。通过智能钢轨探伤仪采集高寒地段钢轨数据，以YOLOv5方法对数据集进行整理、处理和模型训练，精准识别和定位轨头核伤、轨面鱼鳞伤等损伤。研究表明，基于YOLOv5的模型在识别和定位各类钢轨损伤方面具有很高的准确性和实时性，可以同时进行目标检测和类别分类，并能在保持较高准确度的同时实现快速检测。提供一种新的、更有效的钢轨探伤检测数据分析方法，有助于提高铁路安全和运营效率。