期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
冷弯薄壁矩形管板组相关屈曲压弯承载力研究 被引量：2
1
作者 邓露 龙砺芝 +1 位作者 刘艳芝 何钰龙 《湖南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第11期82-90,共9页
冷弯薄壁矩形钢管柱易发生局部屈曲破坏.为了研究冷弯薄壁矩形钢管柱的压弯承载性能,建立并验证了冷弯薄壁矩形钢管柱非线性有限元模型.采用上述模型对不同轴压比、翼缘宽厚比及腹板宽厚比的884个受常轴压力、变水平力作用的矩形钢管柱... 冷弯薄壁矩形钢管柱易发生局部屈曲破坏.为了研究冷弯薄壁矩形钢管柱的压弯承载性能,建立并验证了冷弯薄壁矩形钢管柱非线性有限元模型.采用上述模型对不同轴压比、翼缘宽厚比及腹板宽厚比的884个受常轴压力、变水平力作用的矩形钢管柱进行参数分析,研究了构件承载极限状态的截面破坏形式和抗弯承载力.结果表明:冷弯薄壁矩形钢管柱绕强轴压弯过程主要出现两种破坏模式,比如:全截面屈服和受压翼缘与腹板屈曲.结合极限状态的应力分布特征,基于有效塑性宽度法提出了考虑板组相关屈曲的冷弯薄壁矩形钢管柱的极限抗弯承载力计算公式,其预测值与有限元模拟结果吻合良好. 展开更多
关键词 板件相关作用 局部屈曲 抗弯承载力 冷弯薄壁 矩形截面钢管柱
下载PDF
基于Transformer的高分辨率桥梁裂缝图像级联分割方法 被引量：1
2
作者 褚鸿鹄 袁华青 +1 位作者 龙砺芝 邓露 《中国公路学报》 EI CAS CSCD 北大核心 2024年第2期65-76,共12页
为充分发挥Transformer模型在高分辨率桥梁裂缝图像分割上的优势,提出了一种基于Transformer和坐标注意力(Coordinate Attention,CA)机制的精细化级联分割方法(级联CATransUNet)。首先,开发了一个基于TransUNet的裂缝特征提取模块,用于... 为充分发挥Transformer模型在高分辨率桥梁裂缝图像分割上的优势,提出了一种基于Transformer和坐标注意力(Coordinate Attention,CA)机制的精细化级联分割方法(级联CATransUNet)。首先,开发了一个基于TransUNet的裂缝特征提取模块,用于从低分辨率裂缝图像中初步提取3个尺度的粗粒度裂缝特征;其中,CA机制被引入TransUNet的跳跃连接结构,从而增强TransUNet网络对微小裂缝特征的表征。然后,基于所提取的三尺度粗粒度裂缝特征设计了2个基于物理级联结构的精细化运算模块,实现了从全局和局部2个维度依次恢复裂缝主体与边缘区域的细粒度像素特征。此外,为了充分利用多尺度特征在裂缝边界的细粒度特征表征中的优势,在训练过程中引入了一个带有主动边界回归项的多尺度级联损失。在基于无人机所采集的桥梁高分辨率裂缝图像上开展的消融性试验证明了所提出各组件的有效性。最后,在4 K分辨率的桥梁裂缝图像上开展了对比试验,结果表明:级联CATransUNet在不增加显卡内存需求的前提下,相较于此前最先进的基于传统卷积神经网络(Convolutional Neural Network,CNN)搭建的高分辨率图像精细化网络Segfix和CascadePSP,平均交并比(mean Intersection over Union,mIoU)和平均边缘精度(mean Boundary Accuracy,mBA)分别提升了5%和7%以上。采用级联CATransUNet可实现对高分辨率裂缝图像的精细化分割,为检测人员提供更加全面、准确的结构裂缝信息,从而为结构安全状况评估以及维护决策制定提供技术支撑。 展开更多
关键词 桥梁工程 裂缝分割 TRANSFORMER 高分辨率图像 注意力机制 级联运算
原文传递
基于深度学习的土木基础设施裂缝检测综述 被引量：27
3
作者 邓露 褚鸿鹄 +3 位作者 龙砺芝 王维 孔烜 曹然 《中国公路学报》 EI CAS CSCD 北大核心 2023年第2期1-21,共21页
基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素;裂缝检测模型集成于机器人平台,从而实现对土木基础设施... 基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素;裂缝检测模型集成于机器人平台,从而实现对土木基础设施的全自动裂缝检测。为此,从以上4个方面对当前研究进行了系统梳理。首先,回顾了深度学习的发展历程,重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着,详细介绍了3类基于深度学习的裂缝检测主流算法,包括分类算法、目标检测算法和语义分割算法。然后,对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后,总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明:基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类,而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取;由于像素级标注的成本和专业性高,大型的裂缝语义分割数据集相对缺乏,致使当前基于语义分割算法的裂缝检测模型鲁棒性较差;目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价,缺乏统一的基准测试数据集和评价指标体系,无法对不同模型的性能进行平行比较;目前针对不同基础设施已相应开发了一些裂缝检测机器人,提高裂缝检测机器人的多场景适应性,并降低其应用成本是未来的发展方向。 展开更多
关键词 桥梁工程 基础设施裂缝检测 综述 深度学习 计算机视觉
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部