针对现有雷达回波外推模型存在长时序回波外推模糊失真和强回波预测准确率较低等问题,利用安徽2016年5-9月的多普勒雷达组合反射率拼图数据,设计了一种基于自注意力和稠密卷积改进卷积长短期记忆(convolutional long short-term memory,...针对现有雷达回波外推模型存在长时序回波外推模糊失真和强回波预测准确率较低等问题,利用安徽2016年5-9月的多普勒雷达组合反射率拼图数据,设计了一种基于自注意力和稠密卷积改进卷积长短期记忆(convolutional long short-term memory,ConvLSTM)网络的雷达回波外推方法。模型以ConvLSTM为基础,在每个单元结构以及编解码器中间融入自注意力机制,强化模型对于特征长时空间依赖的提取能力,同时用稠密连接卷积代替普通卷积,提高模型的特征重用能力。实验利用过去1 h雷达回波图像预测未来2 h雷达回波图像,并与改进前的ConvLSTM进行对比证明了提出的模型能够提高雷达回波外推的准确率。展开更多
为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络(Long Short Term Memory networks,LSTM)的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续...为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络(Long Short Term Memory networks,LSTM)的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续性;基于编解码的图像分割思想,构建基于VGG(Visual Geometry Group)骨干网络的特征提取编码器,结合卷积LSTM模块学习裂缝的上下文关联特征,通过解码器和分类模型实现裂缝分割,建立编解码特征独立的EDConvLSTM(Encoder‐Decoder Convolutional Long Short Term Memory networks)裂缝分割模型,并进一步构建编码器与解码器特征融合的FEDConvLSTM(Fused Encoder‐Decoder Convolutional Long Short Term Memory networks)模型,将高层特征与底层特征相结合,在保证裂缝完整性的同时充分挖掘裂缝的边缘信息,实现混凝土裂缝的精准分割。利用Github平台Yhlleo提供的开放基准数据集DeepCrack对模型进行训练并测试,结果表明,基于VGG16骨干网络的EDConvLSTM模型在测试集上的召回率可达86%,优化后的基于VGG19的FEDConvLSTM模型分割交并比相较于Segnet、Unet、AttentionUnet模型分别提升了6%、4%、1%。结合卷积LSTM网络的编解码分割算法能够解决裂缝识别完整性问题,并提升裂缝的识别精度。展开更多
文摘为有效解决混凝土裂缝图像识别出现的断裂和内部空腔问题,提高裂缝整体区域定位识别精度,本文提出了基于卷积长短期记忆网络(Long Short Term Memory networks,LSTM)的裂缝识别方法。通过滑动窗口切分裂缝图像使邻近裂缝间呈现时空延续性;基于编解码的图像分割思想,构建基于VGG(Visual Geometry Group)骨干网络的特征提取编码器,结合卷积LSTM模块学习裂缝的上下文关联特征,通过解码器和分类模型实现裂缝分割,建立编解码特征独立的EDConvLSTM(Encoder‐Decoder Convolutional Long Short Term Memory networks)裂缝分割模型,并进一步构建编码器与解码器特征融合的FEDConvLSTM(Fused Encoder‐Decoder Convolutional Long Short Term Memory networks)模型,将高层特征与底层特征相结合,在保证裂缝完整性的同时充分挖掘裂缝的边缘信息,实现混凝土裂缝的精准分割。利用Github平台Yhlleo提供的开放基准数据集DeepCrack对模型进行训练并测试,结果表明,基于VGG16骨干网络的EDConvLSTM模型在测试集上的召回率可达86%,优化后的基于VGG19的FEDConvLSTM模型分割交并比相较于Segnet、Unet、AttentionUnet模型分别提升了6%、4%、1%。结合卷积LSTM网络的编解码分割算法能够解决裂缝识别完整性问题,并提升裂缝的识别精度。
