一、面向腐蚀工程的人工神经网络应用设想（论文文献综述）
洪林[1]（2021）在《面向智能终端的深度网络手写识别研究》文中研究说明随着智能手机等智能终端的普及,原来面向高性能配置服务器硬件上的图像处理和深度网络手写识别方法表现优秀,但是由于计算量太大,很难直接推广应用到存储和计算资源都有限的智能终端硬件上。为解决图像处理和深度网络计算量过大的问题,本文重点研究了面向智能终端的图像快速处理和轻量级深度网络手写识别方法。首先,为了加快智能终端上的图像处理速度,采用了图像快速压缩,图像灰度化增强,高斯滤波加权平均去噪,迭代最佳二值化,图像膨胀腐蚀改善和图像有效分割提取的改进处理方法。加速大尺寸彩色图像的处理,改善目标手写对象和背景图像的对比度,有效去除高频噪声,清晰分割目标手写对象和背景图像,明显修补目标图像中的断裂空洞并进一步消除部分孤立噪点,快速分割并有效提取真实手写字符串图像。改进后的方法显着缩短了图像处理耗时,图像秒级处理,提高了图像中目标对象的提取效率。其次,为了提高Le Net-5模型的识别准确率,通过调整网络规模,设计合适的卷积核大小和个数,添加dropout层,选取合适的激活函数和优化器,选择适宜的批处理和学习率的模型改进和优化方法。提高模型识别能力,提高图像的局部特征提取能力,减少模型过拟合,找出损失函数最优解,提高训练的效率。改进和优化后的模型有效的降低了损失函数值,提高了手写数字的识别准确率,测试精确度提高到99.36%。最后,面向智能终端的深度网络手写识别的现实应用,使用3x3小卷积核组合的连续卷积层和动态学习率,以及深度可分离卷积的优化和轻量化方法,提高图像局部特征变化的感知能力和图像分类能力,提取出更丰富的图像特征,加速模型的训练收敛。轻量化后的智能终端模型占用的存储空间减少到0.9%,参数总量减少到0.7%,浮点计算总量减少到0.66%,显着降低了模型的存储和计算资源需求,识别耗时降低至56%。改进后的模型的测试精确度提高到99.63%。设置手写字符图像边缘填充比例为20%,有效提升真实验证数据上识别准确率。采用模型训练测试和验证分离的方法,在服务器端将轻量化后的模型训练好并持久化,在智能手机终端上移植模型文件并应用,设计手机应用程序,对实际手写字符串图像进行快速预处理,然后输入模型进行目标数字字符串识别。所以在智能终端硬件存储和计算资源有限的条件下,本文研究方法仍然可以进行大尺寸手写字母数字字符串图像的快速处理和深度网络模型的轻量化移植,有效提高了目标数字字符串的识别准确率,从而有利于实现跨智能终端的应用及智能化推广。
孙志朋[2]（2021）在《基于物联网技术的水稻生长环境监测系统及关键技术研究》文中提出我国是农业大国,也是世界上水稻产量及消费量最高的国家。水稻产量对于我国粮食安全有着重要意义。目前我国水稻在平均亩产量和水、肥、药等利用率方面相比农业发达国家还有较大提升空间。采集水稻生长环境信息,有的放矢地指导农业生产,已被证明是提高产量和资源利用率的有效方式之一。农业物联网技术以信息感知设备、通讯网络和智能信息处理技术应用为核心,通过农业科学化管理,达到合理使用农业资源、改善生态环境、降低生产成本、提高农产品产量和品质的目的。目前农业物联网技术应用面临网络覆盖范围小、监测项目受限、传输成本高、供电时间短等问题,这些问题限制了水稻生长环境监测的普及和智能化程度。随着低功率广域网、边缘计算、人工智能等物联网相关技术的蓬勃发展,为解决这些问题提供了更多角度。因此,本文结合物联网及其关联技术,构建了适合监测水稻生长环境的广覆盖、低功耗、智能化的物联网监测系统,并对系统中一些关键技术进行研究。能够更加全面、准确、实时地了解水稻生长的环境因素,从而更好的指导水稻生产。本文的主要研究内容包括以下几个方面:（1）研究了基于边缘计算的水稻生长环境监测物联网的架构。设计了一种功耗低、传输距离远、融合害虫监测功能的水稻生长环境信息监测物联网架构,将高清晰图像传输与低功率广域网进行异构融合,实现了低功率广域网布局下的水稻害虫监测及生长环境信息采集功能。应用NS3软件对水稻生长环境布设大量传感器监测节点的情况进行了仿真,得出了两种ACK机制下网络传输质量的优势参数组合范围对比,给出了需提升网络传输质量的参数组合范围及建议。（2）设计了应用边缘计算技术的水稻生长环境在线监测网关。在支持LoRaWAN和802.11g协议异构组网的基础上,设计了边缘计算网关的功能架构和数据通信架构。通过虚拟化容器技术,将LoRaWAN服务器、在线害虫识别计数算法、实时传感器数据融合算法打包成镜像,在农业生产现场形成多个功能模块集成化运作的边缘计算模式。采用边缘消息中间件的方式规范化定制各功能模块之间以及云、边之间的数据传输。经实际测试,网关可以同时实现各模块功能,在每秒500/1000条并发压力测试中,平均负载分别为0.22/2.99,系统资源利用率稳定,采用的边缘消息中间件模式数据传输稳定可靠,田间实际测试数据传输成功率达99.1%。（3）设计了一种高准确性的多传感器数据融合方案。实时对水稻生长环境信息进行在线监测,通过改进算法,对上传的传感器数据进行数据融合测试,对比传统的融合算法方差降低了约25%左右,切实提高了获取水稻生长环境数据的准确率。（4）研究了水稻害虫在线识别人工智能算法。对采集的水稻害虫图像进行自动化图像预处理工作,使用图像增强、图像分割等传统图像处理技术优化图像质量。提出了一种在线害虫识别计数方法:使用人工智能深度学习的算法,在TensorFlow框架下完成对监测节点上传的害虫图像在线识别及计数。通过测试,识别准确率达到89%。将图像识别结果以数字方式输出,大幅降低了物联网传输和云端计算的压力。（5）构建水稻生长环境监测数据管理云平台。将所有监测节点采集的数据进行动态可视化展示,根据采集的信息内容结合专家系统给出相应的决策意见进而指导水稻生产。
喻刚[3]（2021）在《面向智能除草机器人的苗草图像分割算法研究》文中研究指明在农业生产领域,玉米是我国重要的农作物,玉米苗期的除草能有效保障作物产量。目前国内的除草方式主要包括人工除草、化学除草和中耕除草等,这些传统的方法存在各自的缺点,比如除草效率低、劳动成本高、破坏土壤环境和造成化学污染等,因此,研究智能农业除草机器人的技术具有现实意义。视觉系统是智能除草机器人的一项基础且重要的研究任务,高精度和低延时的图像算法是完成识别的关键,现有的除草机器人视觉系统普遍使用传统图像分割与识别方法,这些方法的算法鲁棒性和精确度较差,往往不能满足复杂的户外环境。随着人工智能的快速发展,深度学习得到了人们的广泛关注,基于深度学习的图像分割技术在实时性和精度上获得了很大的提升,这些技术也逐渐从理论研究走向实际应用。然而,目前深度学习网络存在模型参数量多、运算速度慢等问题,深度学习模型的边缘设备部署依旧是一个难点。针对这些问题,本文从深度学习的模型架构和边缘设备端的优化部署角度出发,探索一种应用于智能除草机器人视觉系统的苗草图像分割算法。本文完成的工作如下:（1）本文开发了面向除草机器人的视觉系统试验平台,通过分析智能农业除草机器人视觉系统的功能和需求,提出了视觉系统的总体设计方案,搭建了相关实验平台以及视觉系统的深度学习环境。（2）本文从玉米实验田中采集了大量苗期玉米杂草图像,对实验图像进行超绿灰度化和高斯滤波等图像预处理,然后对苗草图像使用OTSU阈值分割和边缘检测算法实验,同时使用基于类间方差法的遗传算法,以及全卷积神经网络分别进行图像分割实验。通过多种分割算法对比分析,得出卷积神经网络方法在苗草图像分割中的可行性以及有效性,并探讨深度学习在图像分割领域的发展前景。（3）为实现高性能的分割模型,本文基于Yolact实例分割算法,融合预激活残差网络和特征金字塔作为主干特征提取模块,在苗草数据集上综合评估模型性能,并与其他算法进行对比实验。结果表明,本文模型在检测速度和精度上表现良好。（4）本文基于TensorRT对实例分割模型进行推理加速,主要包括使用权重量化以及层间张量重构等优化方法,将优化后的模型部署在GPU嵌入式平台上,通过对苗草测试集与苗草视频的分析测试,结果显示,优化的模型在玉米苗期图像分割与识别上具有一定的优势,基本满足农业除草机器人视觉系统的检测要求。
王艳华[4]（2021）在《智慧林业中立体感知体系关键技术研究》文中研究说明森林是规模最广泛的陆地生态系统,约占土地总面积的三分之一,同时也是地球生态系统的必要组成部分,森林生态系统是否正常,与地区生态安全和社会经济的可持续发展密切相关。传统基于人工的森林资源调查方法存在花费高,野外工作强度大,消耗时间长等缺点,且时效性和准确性往往无法达到实际应用的标准。传统的单一的数据源难以获取高精度的森林参数信息,多源数据综合应用将成为未来森林资源监测的有效方法。国家林业发展“十三五”规划提出,加强生态检测评价体系建设,深化遥感、定位、通信技术全面应用,构建天空地一体化监测预警评估体系。随着智慧林业的不断普及,信息技术以及对地观测技术的不断进步,利用不同类型、不同分辨率的遥感影像、无人机以及无线通信网络对森林资源的信息进行监测可以有效的指导林业生产,通过构建森林资源综合监测体系,实时准确了解森林资源的基本情况及变化,及时采取应对措施,可以大大提高资源保护与利用效果,对于环境治理和生态建设等有关工作的开展均有重大意义。本文从空天地一体的森林资源监测角度出发,针对森林资源监测信息类型复杂多样、数据维度高、信息冗余度高、数据信息处理量大等问题,研究综合性、立体性的森林资源监测网络体系,研究适合于森林环境监测无线传感器网络的网络方案和模型,并着重解决在符合森林环境监测无线传感器网的模型的网络结构中传感器以自组织和多跳的和传输的效率,研究海量遥感影像数据处理、数据存储、数据挖掘一体化的解决方案,开展森林资源综合监测体系研究,为森林资源连续清查体系的优化改革提供理论支撑和数据参考。本文的主要工作如下:（1）针对森林环境监测的无线传感器网络的数据传输问题,提出一种改进的基于ADHOC网络的组播路由模型,该模型特别适用于大规模、低密度无线传感器网络中传感器节点相对位置的确定,节点间连通性差,远距离节点间测距误差大的网络监测环境。在研究无线传感器网络邻居节点拓扑结构的基础上,将主流形学习和非线性维数算法相结合,提出了一种局部组合定位（LCL）算法,根据每个节点与相邻节点在一定通信范围内的成对距离,首先通过为每个节点构造一个局部子空间来获取全局结构的局部几何信息,然后对这些子空间进行比对,得到所有节点的内部全局坐标。结合全局结构和锚节点信息,最后利用最小二乘算法计算出所有未知节点的绝对坐标,构建可靠、高效的路由传输协议。通过在哈尔滨实验林场区域构建监测系统,实现气象、光照、土壤和空气质量全方位森林环境信息的获取。（2）针对遥感数据的预处理及数据挖掘,基于Hadoop内部提供的二进制文件存储形式SequenceFile,将图像数据序列化成字节流存到二进制文件中,在执行MapReduce任务时,直接用Hadoop的SequenceFileInputFormat输入文件格式进行读取,实现了图像并行处理。通过自定义分区策略的方式对遥感影像特征并行提取算法进行改进,增加提取遥感影像特征的MapReduce程序中Reduce任务数量,实现了 Hadoop的遥感影像特征提取并行化。从而提高并行处理效率。针对KMeans聚类算法需要人为确定初始聚类中心和聚类数目,从而使聚类结果陷入局部最优的问题,本文结合Canopy算法对KMeans算法进行改进,首先通过Canopy算法对遥感影像的特征信息进行“粗聚类”,然后将结果作为KMeans聚类算法的初始聚类点,从而完成遥感影像的分类处理,为监测数据提供了高质量的遥感影像。（3）针对现有遥感影像变化检测模型存在的检测精度不高的问题。提出了一种基于两阶段的遥感影像变化检测模型,该模型充分利用遥感影像的多维特征,利用U-net网络对遥感影像进行语义分割,并将分类结果与不同时相的遥感数据的分类结果进行融合,从而准确的获得监测区域地物变化的特征,该方法能够有效的提取遥感影像的纹理和光谱特征,提高变化检测的精度。此外,本文通过无人机获取高空间分辨率影像数据来实现单木尺度森林资源监测,通过H-maxima变换结合标记控制分水岭算法实现单木树冠的自动勾绘,从而实现单木信息的提取。最后利用改进的变化检测模型,实现了基于卷积神经网络的对西双版纳自然保护区的变化检测,根据对自然保护区内的植被变化监测的应用需要,进行系统的需求分析与设计,模型分析,实现了西双版纳自然保护区森林监测系统,对区域内森林变化情况进行精准监控。
张虎龙[5]（2021）在《面向在役核容器内壁缺陷的涡流检测工艺与定位重构研究》文中研究说明在核工业领域,核燃料闭式循环处理过程中需要特制的容器和管道对大量的核燃料/乏废料进行储存、溶解及输送。在此类容器、管道的服役过程中,会在焊缝等薄弱部位产生由内而外的腐蚀缺陷。随着这些缺陷的萌生、成长、扩展,可能会贯穿容器、管道,造成放射性物质的泄漏,对周围生物、环境造成长期的严重危害,事后处理工作危险、复杂且经济成本高昂。因此,需要采用适合的无损检测手段对其进行在役监测,保证服役安全。涡流检测方法具有不引入额外介质、易于实现自动化等优点,可满足典型核容器的特殊检测要求。但涡流检测法的检测深度有限、适用于工件表面或近表面缺陷的检测,对容器内壁缺陷的检测研究相对较少。为此,本文研究了改进型涡流检测探头对中厚壁核容器内壁缺陷检测的适应性与准确性,开发了面向在役核容器内壁缺陷的自动化涡流检测装备原型,并根据信号特征进行了缺陷定位与重构研究。本文的具体研究内容如下:首先,采用COMSOL Multiphysics多物理场耦合仿真分析软件仿真分析了本文所采用的矩形激励线圈的激励磁场和被测试样内感应涡流场、感应磁场的分布规律及激励线圈电压、提离高度、激励频率、材料属性对于感应涡流渗透深度的影响。其次,分析了涡流检测阻抗图的形成过程,并对检测信号进行了降噪、特征提取处理;并进行了不同检测参数、缺陷参数、材料参数的工艺实验,分析了不同参数对于涡流检测信号特征值的影响。最后,提出了基于涡流检测信号特征和神经网络预测模型的缺陷重构与定位方法,并对设计的人工缺陷试样进行了重构与定位,验证了缺陷重构与定位方法的有效性和准确性。研究结果表明:矩形激励线圈在被检测试样内感应产生的涡流场均匀、集中、渗透深度较大,适合于中厚容器内壁缺陷的检测。针对典型核容器的模拟试样,最优的检测参数为检测频率5 k Hz、激励线圈电压9.6 V、探头提离高度1 mm、扫查速度44.8 mm/s、扫查方向与缺陷垂直;通过对涡流检测得到的阻抗图进行特征解析,可以准确的得到缺陷宽度、深度的变化情况;对于溶解器、管路采用的不锈钢、锆基合金等非铁磁性材料,影响涡流检测效果的主要因素为试样电导率的差异,对于核燃料储罐采用的铁磁性材料,需要进行磁饱和处理,提高检测深度与准确性;设计了多种缺陷深度、宽度预测模型,其中基于BP神经网络的缺陷深度、宽度预测模型的预测结果最准确;对于多个人工缺陷进行了定位重构分析,相对误差均在允许范围之内。
Editorial Department of China Journal of Highway and Transport;[6]（2021）在《中国桥梁工程学术研究综述·2021》文中指出为了促进中国桥梁工程学科的发展,系统梳理了近年来国内外桥梁工程领域（包括结构设计、建造技术、运维保障、防灾减灾等）的学术研究现状、热点前沿、存在问题、具体对策及发展前景。首先总结了桥梁工程学科在新材料与结构体系、工业化与智能建造、抗灾变能力、智能化与信息化等方面取得的最新进展;然后分别对上述桥梁工程领域各方面的内容进行了系统梳理:桥梁结构设计方面重点探讨了钢桥及组合结构桥梁、高性能材料与结构、深水桥梁基础的研究现状;桥梁建造新技术方面综述了钢结构桥梁施工新技术、预制装配技术以及桥梁快速建造技术;桥梁运维方面总结了桥梁检测、监测与评估加固的最新研究;桥梁防灾减灾方面突出了抗震减震、抗风、抗火、抗撞和抗水的研究新进展;同时对桥梁工程领域各方向面临的关键问题、主要挑战及未来发展趋势进行了展望,以期对桥梁工程学科的学术研究和工程实践提供新的视角和基础资料。（北京工业大学韩强老师提供初稿）
赵前龙[7]（2020）在《面向家居场景的跌倒行为分析技术研究与实现》文中研究表明随着计算机网络技术的日益发展、智能终端设备的渐趋完善,打造智慧、安全、便捷的家居生活成为可能。跌倒是家居场景下经常发生的具有危险性的行为,如何快速且准确地检测出跌倒行为逐渐成为社会的热门研究领域。近几年,计算机视觉和深度学习技术得到了快速的发展,为解决这一问题提供了一种崭新的思路。本文立足于此热门领域,从计算机视觉和深度学习技术出发,提出了基于改进GMM的人形轮廓分析提取算法和基于双流卷积神经网络的跌倒行为分析检测算法,并开发了一套能够应用于家居场景下的跌倒行为分析系统。具体研究内容如下:（1）提出了基于改进GMM的人形轮廓分析提取算法。首先,研究了基于改进GMM的前景快速提取方法;接着,分析了人形轮廓的初始判别问题,提出了基于宽度直方图的轮廓判别法;进而,分析了人形轮廓的后续连续提取问题,提出了基于交并比和重心距离的轮廓跟踪法;最后,通过实验验证了算法性能。（2）提出了基于双流卷积神经网络的跌倒行为分析检测算法。首先,阐述了运动历史图的提取与基于MHI的运动方向提取;然后,提出了双流模型架构,包括空间流和时间流卷积网络结构,并定义了融合判断方法;进而,在空间流和时间流卷积网络结构的基础上对模型进行了优化改进,提出了TS-Net网络结构,给出了其搜索空间、目标期望奖励函数与搜索框架;最后,通过实验验证了算法性能。（3）开发了面向家居场景下的行人跌倒行为分析系统。首先,分析了系统的架构,主要包括跌倒图像处理模块、跌倒检测模块、模型训练模块和报警求救模块。然后,阐述了系统实现的硬件环境、软件环境和实现流程。最后,分别验证了图像处理模块、跌倒检测模块和报警求救模块的效果。
李琦[8]（2020）在《基于面向对象和深度学习的矿区无人机影像地物提取》文中提出煤矿资源在推动我国经济发展中具有重要作用,保证矿区的安全生产是矿区作业的首要工作,而准确高效地获取矿区地物信息则能有效辅助安排和部署矿区的安全生产工作。矿区地物类型往往特殊且复杂,传统人工野外调查手段获取大面积矿区信息耗时又耗力。为快速准确获取煤炭矿区地物信息,本文采用无人机低空遥感拍摄的方式获取矿区内高清影像数据,并提出了基于面向对象和深度学习的矿区地物提取方法。在数据标注方法上,本文提出利用面向对象的分类方法配合人工校正,制作用于深度学习语义分割的标签,提高了标注的准确性和速度。在深度学习方法上,本文采用了基于卷积神经网络方法和全卷积神经网络方法进行地物提取。卷积神经网络采用VGG-16、VGG-19、ResNet-34、Xception四种模型,全卷积神经网络采用了 FCN-32s、FCN-8s、U-Net三种模型。在单一模型基础上,针对不同模型对特定种类地物的提取效果不同,提出了基于多数投票算法和打分算法的两种集成模型进一步改进地物提取算法模型。最后使用膨胀腐蚀算法对集成算法的地物提取结果进行优化。实验结果表明:基于卷积神经网络的地物提取方法准确率均在80%左右,但整体地物提取效果明显差于基于全卷积神经网络方法,证明卷积神经网络模型方法不适合应用于提取尺寸过小的目标地物。全卷积神经网络方法的地物提取效果优良,其提取准确率、Kappa系数,以及整体效果较卷积神经网络方法和传统面向对象方法均有明显提升。同时,集成算法取长补短,融合了各种单一模型对特定地物提取效果较好的特性,提升了地物提取精度。最后,膨胀腐蚀算法有效消除了地物提取结果的噪点像素,优化了地物提取效果。所有方法中基于全卷积神经网络的打分集成模型识别效果最好,在测试集上的整体准确率为94.55%,Kappa系数为0.8191。
彭敦诚[9]（2020）在《基于Python机器学习的大气环境下材料失效数据分析》文中指出改善材料的耐候性,预测材料在自然环境下的失效时间,从而保证工程的安全性和高效性,一直是材料失效研究的重要课题。而将机器学习技术与材料失效研究相结合是顺应时代发展需求的研究热点,本文综述了机器学习在材料失效研究中的应用现状,总结了利用机器学习算法对材料失效数据进行分析的一般步骤和方法,探讨了大气环境下材料失效与其实际使用环境之间的关系,从宏观数据的角度研究了不同环境因素对材料失效的影响。将易学易用、且具有开源的代码生态和众多成熟的集成模型的Python作为计算工具为材料学研究提供帮助已逐渐成为一种趋势。本文首先使用Python中集成的Extra Trees算法对不同大气环境下高分子材料试样在实际暴露实验过程中收集的材料性能参数（PC试样的力学性能和聚酯涂层的光泽度）、气候环境参数（温度、湿度、辐照、降雨量和降雨时长等）和污染物环境参数（硫酸盐化速率、海盐粒子和降尘量等）进行环境因素影响量化分析,筛选出对相应性能影响较大的因素,然后通过多层感知机神经网络算法建立模型对材料的耐候性进评价,降低求解难度的同时增加结果的准确性。分析结果表明:一.Extra Trees算法可以应用在环境因素对涂层外观性能和PC试样的力学性能影响的研究上,其计算结果合理、可解释。模拟计算的结果认为:1.紫外辐射、水溶性降尘量和硫酸盐化速率是聚酯涂层失光率劣化的关键参数;2.降雨时长是聚酯涂层减薄的关键参数;3,紫外辐射和降雨时长同是使PC试样拉伸性能、冲击性能和弯曲性能劣化的关键因素;二.应用Extra Trees算法研究环境因素对材料性能的影响时,可将实验周期与环境因素一同作为输入参与计算,增加数据间的差异性的同时还可得出材料性能对环境的耐受程度;三.Extra Trees算法得出的重要性参数可以指导在后续计算中更合理地使用数据,并改善其他机器学习模型的性能;四.对于自然环境下材料失效问题一般情形下的数据规模,可通过对所有可能的具有高性能的组合进行循环实验以找到机器学习模型的最佳超参数;五.开发了材料的环境腐蚀与老化数据分析程序,实现了环境因素影响量化和材料耐候性分析两个主要功能。
吴浩霖[10]（2020）在《基于无人机影像和深度学习技术的建筑物分类和统计 ——服务于震前预评估的建筑物快速调查》文中提出震前对可能发生地震的区域事先进行地震灾害损失的预评估,是提升危险区地震应急准备水平、提高震后快速评估准确性的重要举措。在预评估过程中,需要对当地的地理地貌、房屋建筑、交通道路、次生灾害等多事项进行调研。其中如何能在短时间内,对大面积的房屋建筑进行较为精确的数据采集和结构类型判断,是开展预评估工作的重要环节。多年来中国地震局地质研究所针对预评估工作的需要,提出和发展了致死性评估方法,该方法其中的一个重要环节就是需要评价各地的致死性水平,而这种水平的构成中,建筑物结构、抗震能力和数量比例占非常重要的位置。无人机在满足上述需求方面具有天然优势,本文将在多地地面实际调查的基础上,结合无人机影像探索快速准确获取房屋建筑数据的技术方法。本文选取江苏省淮安市盱眙县作为研究区,以小型无人机航拍所获取的遥感影像作为数据源,试图应用深度学习技术,由计算机自动解译出航拍区域房屋结构的分布情况。实验首先对盱眙县四十个乡镇以及街道进行无人机数据采集,确定该地区房屋结构类型的分类依据;接着以盱眙县下辖的四个集镇区以及四个薄弱村共计八个调研点作为试验区,通过无人机拍摄得到数字图像,采用面向对象的影像分析方式对图像中的房屋建筑进行提取;最后选择深度学习框架Pytorch进行分类模型的建模,使用Res Net网络模型,对提取出的房屋建筑依照房屋结构进行分类,最终得到研究区整体房屋结构的分布情况。以现场实地调研数据作为真实数据,对利用无人机遥感方法得到的分类结果进行精度评价,八个调研点的整体分类精度在75%以上。通过本文的研究,说明了无人机低空遥感技术在以县为单位的房屋结构识别上有一定的可行性,可以为地震预评估调研工作提供一定的帮助。通过对房屋提取算法的改进以及房屋训练集的扩充等后续研究,可以进一步提高分类精度。由此可见无人机技术在预评估工作中拥有较好的研究前景。
二、面向腐蚀工程的人工神经网络应用设想（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、面向腐蚀工程的人工神经网络应用设想（论文提纲范文）
（1）面向智能终端的深度网络手写识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究主要内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文章节结构 |
| 第二章 相关理论方法 |
| 2.1 引言 |
| 2.2 图像预处理方法 |
| 2.2.1 灰度处理方法 |
| 2.2.2 图像去噪方法 |
| 2.2.3 图像二值化方法 |
| 2.3 手写识别方法 |
| 2.3.1 传统方法 |
| 2.3.2 深度网络方法 |
| 2.4 本章小结 |
| 第三章 面向智能终端的图像改进快速处理 |
| 3.1 引言 |
| 3.2 图像快速压缩处理 |
| 3.3 图像灰度化增强处理 |
| 3.4 高斯滤波加权平均去噪处理 |
| 3.5 图像迭代最佳二值化处理 |
| 3.6 图像膨胀和腐蚀改善处理 |
| 3.6.1 图像膨胀处理 |
| 3.6.2 图像腐蚀处理 |
| 3.7 图像有效分割和提取处理 |
| 3.7.1 图像分割处理 |
| 3.7.2 图像提取处理 |
| 3.8 实验结果对比与分析 |
| 3.8.1 图像压缩处理结果对比分析 |
| 3.8.2 图像预处理结果分析 |
| 3.8.3 图像分割处理结果分析 |
| 3.8.4 图像提取处理结果分析 |
| 3.8.5 输入模型图像处理结果分析 |
| 3.9 本章小结 |
| 第四章 基于Le Net-5 模型的改进和优化 |
| 4.1 引言 |
| 4.2 LeNet-5网络分析 |
| 4.3 改进的LeNet-5 网络分析 |
| 4.4 模型优化方案设计 |
| 4.4.1 控制网络规模 |
| 4.4.2 设计卷积核大小 |
| 4.4.3 添加dropout层 |
| 4.4.4 设计批处理大小 |
| 4.4.5 设计学习率大小 |
| 4.5 实验结果对比与分析 |
| 4.5.1 网络容量对比分析 |
| 4.5.2 卷积核大小对比分析 |
| 4.5.3 dropout比例对比分析 |
| 4.5.4 批处理大小对比分析 |
| 4.5.5 学习率大小对比分析 |
| 4.5.6 LeNet-5与改进模型的对比分析 |
| 4.6 本章小结 |
| 第五章 面向智能终端的深度网络手写识别应用 |
| 5.1 引言 |
| 5.2 智能终端模型优化和轻量化 |
| 5.2.1 智能终端轻量化模型设计 |
| 5.2.2 智能终端轻量化模型训练测试 |
| 5.2.3 智能终端轻量化模型保存 |
| 5.3 智能终端手写字母数字字符串识别应用 |
| 5.3.1 智能终端应用程序设计 |
| 5.3.2 智能终端模型移植 |
| 5.3.3 智能终端图像预处理 |
| 5.3.4 智能终端模型识别 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本论文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于物联网技术的水稻生长环境监测系统及关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 物联网技术在大田农业领域研究现状 |
| 1.3.2 人工智能技术在农业害虫识别领域研究现状 |
| 1.3.3 多传感器数据融合技术研究现状 |
| 1.3.4 边缘计算领域研究现状 |
| 1.4 研究内容与技术路线 |
| 第2章 水稻生长环境监测物联网的构建与仿真 |
| 2.1 水稻生长环境监测物联网总体架构 |
| 2.2 水稻生长环境监测物联网传输层协议 |
| 2.2.1 Lo Ra扩频技术 |
| 2.2.2 LoRaWAN终端类型 |
| 2.2.3 LoRaWAN物理帧结构分析 |
| 2.2.4 LoRaWAN MAC层分析 |
| 2.2.5 WiFi Socket传输机制 |
| 2.3 水稻生长环境监测物联网终端节点设计 |
| 2.3.1 传感器监测节点设计 |
| 2.3.2 害虫监测节点设计 |
| 2.4 水稻生长环境监测物联网仿真 |
| 2.4.1 仿真环境 |
| 2.4.2 仿真系统参数设置 |
| 2.4.3 仿真结果 |
| 2.5 本章小结 |
| 第3章 水稻生长环境监测物联网边缘计算网关设计 |
| 3.1 边缘计算网关整体设计 |
| 3.2 边缘计算网关主要功能模块 |
| 3.2.1 MQTT服务模块 |
| 3.2.2 LoRaWAN服务器模块 |
| 3.2.3 害虫识别模块 |
| 3.2.4 数据融合模块 |
| 3.3 边缘计算网关功能实现流程 |
| 3.3.1 基础资源层 |
| 3.3.2 边缘消息中间件服务的搭建 |
| 3.3.3 害虫识别模块的实现 |
| 3.3.4 数据融合模块的实现 |
| 3.3.5 Docker容器管理 |
| 3.4 网关硬件设计 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 多传感器数据融合技术研究 |
| 4.1 数据融合的定义 |
| 4.2 多传感器数据融合概述 |
| 4.2.1 多传感器数据融合原理 |
| 4.2.2 多传感器数据融合优势 |
| 4.2.3 多传感器数据融合体系结构 |
| 4.2.4 多传感器数据融合分级 |
| 4.3 多传感器数据融合算法研究 |
| 4.3.1 常用融合算法概述 |
| 4.3.2 加权算法原理 |
| 4.3.3 加权算法改进 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 水稻害虫图像在线识别方法研究 |
| 5.1 害虫图像采集 |
| 5.2 害虫图像预处理方法 |
| 5.2.1 图像增强技术 |
| 5.2.2 图像分割技术 |
| 5.2.3 图像形态学处理 |
| 5.2.4 图像标记及信息提取 |
| 5.3 基于TensorFlow的害虫图像识别方法 |
| 5.3.1 卷积神经网络 |
| 5.3.2 Tensor Flow概述 |
| 5.3.3 害虫图像数据集 |
| 5.3.4 害虫图像识别 |
| 5.3.5 害虫图像识别实验结果 |
| 5.4 害虫图像计数方法 |
| 5.4.1 害虫图像计数流程 |
| 5.4.2 害虫图像计数实验结果 |
| 5.5 本章小结 |
| 第6章 水稻生长环境监测物联网云平台 |
| 6.1 云平台系统设计 |
| 6.2 云平台功能介绍 |
| 6.2.1 平台主界面 |
| 6.2.2 大气环境模块 |
| 6.2.3 土壤环境模块 |
| 6.2.4 害虫监测模块 |
| 6.2.5 监测点分布模块 |
| 6.2.6 分析与诊断模块 |
| 6.2.7 用户设置模块 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 在学期间所取得的科研成果 |
| 致谢 |
（3）面向智能除草机器人的苗草图像分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本文研究背景 |
| 1.2 本文研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 农业视觉除草机器人发展现状 |
| 1.3.2 卷积神经网络发展现状 |
| 1.3.3 图像分割算法发展现状 |
| 1.4 研究内容及论文结构 |
| 1.4.1 本课题研究内容 |
| 1.4.2 论文结构 |
| 第二章 智能除草机器人视觉系统整体方案设计 |
| 2.1 除草机器人视觉系统的需求分析及总体方案设计 |
| 2.1.1 机器人视觉系统的需求分析 |
| 2.1.2 除草机器人的总体方案设计 |
| 2.2 除草机器人视觉系统方案设计 |
| 2.2.1 除草机器人硬件系统选型 |
| 2.2.2 除草机器人软件平台介绍 |
| 2.3 本章小结 |
| 第三章 苗草图像分割模型的相关理论及实验 |
| 3.1 引言 |
| 3.2 基于传统图像处理的苗草分割模型 |
| 3.2.1 图像预处理 |
| 3.2.2 基于OTSU的阈值分割算法 |
| 3.2.3 形态学及Canny边缘轮廓检测 |
| 3.3 结合特定工具的图像分割算法 |
| 3.3.1 基于遗传算法的图像分割 |
| 3.3.2 实验仿真分析 |
| 3.4 基于卷积神经网络的图像分割 |
| 3.4.1 卷积神经网络 |
| 3.4.2 基于卷积神经网络的图像分割方法 |
| 3.4.3 训练过程以及结果 |
| 3.5 实验对比及评价 |
| 3.6 本章小结 |
| 第四章 基于预激活残差网络的实例分割模型 |
| 4.1 引言 |
| 4.2 Yolact网络 |
| 4.2.1 Yolact网络概述 |
| 4.2.2 实例分割模型的主要架构 |
| 4.3 基于预激活残差网络的实例分割模型搭建 |
| 4.3.1 预激活残差网络 |
| 4.3.2 实例分割网络的架构 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境及数据集 |
| 4.4.2 模型评价指标 |
| 4.4.3 网络训练及可视化 |
| 4.4.4 苗草分割质量与结果评估 |
| 4.5 本章小结 |
| 第五章 边缘设备的模型部署 |
| 5.1 基于TensorRT的深度模型优化 |
| 5.1.1 TensorRT的基本原理 |
| 5.1.2 深度模型的优化 |
| 5.2 视觉机器人图像分割测试 |
| 5.2.1 实验测试环境搭建 |
| 5.2.2 深度模型的优化结果测试 |
| 5.2.3 实验测试分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 本人在攻读硕士学位期间的科研成果 |
（4）智慧林业中立体感知体系关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景 |
| 1.1.1 选题目的 |
| 1.1.2 选题意义 |
| 1.2 研究现状 |
| 1.2.1 基于无线传感器网络的森林资源信息监测研究 |
| 1.2.2 基于遥感影像的森林变化监测研究 |
| 1.3 研究内容以及创新点 |
| 1.3.1 本文的研究内容 |
| 1.3.2 本文主要创新点 |
| 1.4 本文的组织结构 |
| 2 相关理论及方法 |
| 2.1 无线传感器网络 |
| 2.1.1 无线传感器网络结构 |
| 2.1.2 无线传感器网络的协议栈 |
| 2.2 遥感影像处理技术 |
| 2.2.1 遥感影像的预处理 |
| 2.2.2 基于深度学习的遥感影像分类与变化检测 |
| 2.3 本章小结 |
| 3 基于无线传感器网络的森林资源监测方法及系统 |
| 3.1 基于信任的无线传感器网络数据传输模型 |
| 3.1.1 无线传感器网络与可信信息传播概述 |
| 3.1.2 基于信任的信息传播模型 |
| 3.1.3 实验结果与分析 |
| 3.2 改进的基于ADHOC网络的组播路由算法 |
| 3.2.1 组播路由协议基本过程 |
| 3.2.2 局部组合定位的路由算法 |
| 3.2.3 实验结果与分析 |
| 3.3 基于博弈理论的无线传感器网络自私节点惩罚机制 |
| 3.3.1 激励惩罚机制概述 |
| 3.3.2 基于博弈理论的惩罚机制 |
| 3.3.3 模拟实验与结果分析 |
| 3.4 基于无线传感器网络的森林环境信息监测系统 |
| 3.4.1 系统设计思路 |
| 3.4.2 系统硬件设计 |
| 3.4.3 系统模拟软件 |
| 3.5 本章小结 |
| 4 基于无人机激光雷达的单木尺度森林资源监测技术 |
| 4.1 激光雷达数据解算及误差分析 |
| 4.2 地面点滤波 |
| 4.3 冠层高度模型的生成 |
| 4.4 单木树冠提取 |
| 4.5 单木参数提取 |
| 4.6 实验结果与分析 |
| 4.6.1 无人机激光雷达系统 |
| 4.6.2 地面调查数据介绍 |
| 4.6.3 精度评价与分析 |
| 4.7 本章小结 |
| 5 基于遥感影像的森林资源监测方法 |
| 5.1 基于分布式的遥感影像特征提取方法 |
| 5.1.1 遥感影像并行预处理 |
| 5.1.2 基于Hadoop的遥感影像特征提取方法 |
| 5.1.3 基于Hadoop的遥感影像特征提取算法实现 |
| 5.1.4 实验结果与分析 |
| 5.2 基于卷积神经网络的遥感影像语义分割 |
| 5.2.1 编码器模块组成 |
| 5.2.2 SELU激活函数 |
| 5.2.3 实验结果与分析 |
| 5.3 基于特征融合的森林资源变化监测方法 |
| 5.3.1 聚焦损失函数 |
| 5.3.2 随机森林 |
| 5.3.3 特征融合 |
| 5.3.4 实验结果及分析 |
| 5.4 基于深度学习的森林变化监测系统 |
| 5.4.1 需求分析 |
| 5.4.2 系统的总体功能 |
| 5.4.3 数据库概念结构设计 |
| 5.4.4 用户管理和遥感影像管理模块 |
| 5.4.5 监测区域变化监测功能 |
| 5.4.6 变化检测结果显示模块 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 东北林业大学博士学位论文修改情况确认表 |
（5）面向在役核容器内壁缺陷的涡流检测工艺与定位重构研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 典型核容器涡流检测技术的国内外研究现状 |
| 1.2.1 典型核容器的失效原因分析 |
| 1.2.2 不同无损检测方法在核容器检测领域的适用性分析 |
| 1.2.3 涡流检测技术在核工业中的应用 |
| 1.2.4 涡流检测装备设计的仿真与优化 |
| 1.3 涡流信号的特征识别与缺陷定位重构的国内外研究现状 |
| 1.3.1 涡流检测信号的数字处理 |
| 1.3.2 涡流检测信号的特征识别 |
| 1.3.3 基于涡流检测信号对缺陷的定位与重构 |
| 1.4 本文的创新性及研究内容 |
| 第二章 涡流检测实验系统设计 |
| 2.1 检测对象的材料体系 |
| 2.2 人工缺陷试样的设计与加工 |
| 2.3 机器人涡流检测系统设计 |
| 2.4 本章小结 |
| 第三章 涡流检测系统的仿真分析 |
| 3.1 COMSOL有限元仿真过程 |
| 3.2 涡流检测系统的有限元模型设计 |
| 3.2.1 几何模型的建立 |
| 3.2.2 模型前处理 |
| 3.2.3 结果后处理 |
| 3.3 涡流检测系统仿真结果分析 |
| 3.3.1 激励线圈感应场分析 |
| 3.3.2 线圈电压对磁场分布的影响 |
| 3.3.3 提离高度对磁场分布的影响 |
| 3.3.4 激励频率对磁场分布的影响 |
| 3.3.5 材料属性对磁场分布的影响 |
| 3.4 本章小结 |
| 第四章 内壁缺陷的涡流检测工艺及信号特征分析 |
| 4.1 缺陷信号的分析、处理及特征提取 |
| 4.1.1 涡流检测阻抗图的分析 |
| 4.1.2 涡流检测信号的降噪处理 |
| 4.1.3 缺陷信号的特征提取与分析 |
| 4.2 不同检测参数对涡流信号特征的影响 |
| 4.2.1 检测频率对信号特征的影响 |
| 4.2.2 线圈电压对信号特征的影响 |
| 4.2.3 探头提离高度对信号特征的影响 |
| 4.2.4 扫查速度对信号特征的影响 |
| 4.2.5 扫查角度对信号特征的影响 |
| 4.3 不同缺陷参数对涡流信号特征的影响 |
| 4.3.1 缺陷深度对信号特征的影响 |
| 4.3.2 缺陷宽度对信号特征的影响 |
| 4.3.3 缺陷的平面内位置对信号特征的影响 |
| 4.3.4 圆孔形点缺陷尺寸对信号特征的影响 |
| 4.4 不同材料体系对涡流信号特征的影响 |
| 4.4.1 非铁磁性材料的涡流检测工艺 |
| 4.4.2 铁磁性材料的涡流检测工艺 |
| 4.5 本章小结 |
| 第五章 基于涡流信号特征的缺陷定位与重构 |
| 5.1 缺陷定位重构方法研究 |
| 5.1.1 缺陷长度的计算方法 |
| 5.1.2 缺陷深度、宽度的定位与重构 |
| 5.1.3 缺陷平面内位置的确定 |
| 5.2 缺陷深度、宽度的预测模型 |
| 5.2.1 预测模型的算法与设计 |
| 5.2.2 模型性能度量方法 |
| 5.2.3 缺陷深度预测模型预测效果对比 |
| 5.2.4 缺陷宽度预测模型预测效果对比 |
| 5.3 人工缺陷的定位与重构 |
| 5.3.1 缺陷试块的设计加工 |
| 5.3.2 缺陷的定位与重构分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
（6）中国桥梁工程学术研究综述·2021（论文提纲范文）
| 0引言（东南大学王景全老师提供初稿） |
| 1 桥梁工程研究新进展（东南大学王景全老师提供初稿） |
| 1.1新材料促进桥梁工程技术革新 |
| 1.2桥梁工业化进程与智能建造技术取得长足发展 |
| 1.3桥梁抗灾变能力显着提高 |
| 1.4桥梁智能化水平大幅提升 |
| 1.5跨海桥梁深水基础不断创新 |
| 2桥梁结构设计 |
| 2.1桥梁作用及分析（同济大学陈艾荣老师、长安大学韩万水老师、河北工程大学刘焕举老师提供初稿） |
| 2.1.1汽车作用 |
| 2.1.2温度作用 |
| 2.1.3浪流作用 |
| 2.1.4分析方法 |
| 2.1.5展望 |
| 2.2钢桥及组合结构桥梁（西南交通大学卫星老师提供初稿） |
| 2.2.1新型桥梁用钢的研发 |
| 2.2.2焊接节点疲劳性能 |
| 2.2.3钢结构桥梁动力行为 |
| 2.2.4复杂环境钢桥服役性能 |
| 2.2.5组合结构桥梁空间力学行为 |
| 2.2.6组合结构桥梁关键构造力学行为 |
| 2.2.7展望 |
| 2.3高性能材料 |
| 2.3.1超高性能混凝土（湖南大学邵旭东老师提供初稿） |
| 2.3.2工程水泥基复合材料（西南交通大学张锐老师提供初稿） |
| 2.3.3纤维增强复合材料（北京工业大学刘越老师提供初稿） |
| 2.3.4智能材料（西南交通大学勾红叶老师提供初稿） |
| 2.3.5展望 |
| 2.4桥梁基础工程（同济大学梁发云老师提供初稿） |
| 2.4.1深水桥梁基础形式 |
| 2.4.2桥梁基础承载性能分析 |
| 2.4.3桥梁基础动力特性分析 |
| 2.4.4深水桥梁基础工程面临的挑战 |
| 3桥梁建造新技术 |
| 3.1钢结构桥梁施工新技术（西南交通大学卫星老师提供初稿） |
| 3.1.1钢结构桥梁工程建设成就 |
| 3.1.2焊接制造新技术 |
| 3.1.3施工新技术 |
| 3.2桥梁快速建造技术（北京工业大学贾俊峰老师提供初稿） |
| 3.2.1预制装配桥梁上部结构关键技术 |
| 3.2.2预制装配桥墩及其抗震性能研究进展 |
| 3.2.2.1灌浆/灌缝固定连接预制桥墩及其抗震性能 |
| 3.2.2.2无黏结预应力连接预制桥墩及其抗震性能 |
| 3.3桥梁建造技术发展态势分析 |
| 4桥梁运维 |
| 4.1监测与评估（浙江大学叶肖伟老师、湖南大学孔烜老师、西南交通大学崔闯老师提供初稿） |
| 4.1.1监测技术 |
| 4.1.2模态识别 |
| 4.1.3模型修正 |
| 4.1.4损伤识别 |
| 4.1.5状态评估 |
| 4.1.6展望 |
| 4.2智能检测（西南交通大学勾红叶老师提供初稿） |
| 4.2.1智能检测技术 |
| 4.2.2智能识别与算法 |
| 4.2.3展望 |
| 4.3桥上行车安全性（中南大学国巍老师提供初稿） |
| 4.3.1风荷载作用下桥上行车安全性 |
| 4.3.1.1车-桥气动参数识别 |
| 4.3.1.2风载作用下桥上行车安全性评估 |
| 4.3.1.3风浪作用下桥上行车安全性 |
| 4.3.1.4风屏障对行车安全性的影响 |
| 4.3.2地震作用下行车安全性 |
| 4.3.2.1地震-车-桥耦合振动模型 |
| 4.3.2.2地震动激励特性的影响 |
| 4.3.2.3地震下桥上行车安全性评估 |
| 4.3.2.4车-桥耦合系统地震预警阈值研究 |
| 4.3.3长期服役条件下桥上行车安全性 |
| 4.3.4冲击系数与振动控制研究 |
| 4.3.4.1车辆冲击系数 |
| 4.3.4.2车-桥耦合振动控制方法 |
| 4.3.5研究展望 |
| 4.4加固与性能提升（西南交通大学勾红叶老师提供初稿） |
| 4.4.1增大截面加固法 |
| 4.4.2粘贴钢板加固法 |
| 4.4.3体外预应力筋加固法 |
| 4.4.4纤维增强复合材料加固法 |
| 4.4.5组合加固法 |
| 4.4.6新型混凝土材料的应用 |
| 4.4.7其他加固方法 |
| 4.4.8发展展望 |
| 5桥梁防灾减灾 |
| 5.1抗震减震（北京工业大学贾俊峰老师、中南大学国巍老师提供初稿） |
| 5.1.1公路桥梁抗震研究新进展 |
| 5.1.2铁路桥梁抗震性能研究新进展 |
| 5.1.3桥梁抗震发展态势分析 |
| 5.2抗风（东南大学张文明老师、哈尔滨工业大学陈文礼老师提供初稿） |
| 5.2.1桥梁风环境 |
| 5.2.2静风稳定性 |
| 5.2.3桥梁颤振 |
| 5.2.4桥梁驰振 |
| 5.2.5桥梁抖振 |
| 5.2.6主梁涡振 |
| 5.2.7拉索风致振动 |
| 5.2.8展望 |
| 5.3抗火（长安大学张岗老师、贺拴海老师、宋超杰等提供初稿） |
| 5.3.1材料高温性能 |
| 5.3.2仿真与测试 |
| 5.3.3截面升温 |
| 5.3.4结构响应 |
| 5.3.5工程应用 |
| 5.3.6展望 |
| 5.4抗撞击及防护（湖南大学樊伟老师、谢瑞洪、王泓翔提供初稿） |
| 5.4.1车撞桥梁结构研究现状 |
| 5.4.2船撞桥梁结构研究进展 |
| 5.4.3落石冲击桥梁结构研究现状 |
| 5.4.4研究展望 |
| 5.5抗水（东南大学熊文老师提供初稿） |
| 5.5.1桥梁冲刷 |
| 5.5.2桥梁水毁 |
| 5.5.2.1失效模式 |
| 5.5.2.2分析方法 |
| 5.5.3监测与识别 |
| 5.5.4结论与展望 |
| 5.6智能防灾减灾（西南交通大学勾红叶老师、哈尔滨工业大学鲍跃全老师提供初稿） |
| 6结语（西南交通大学张清华老师提供初稿） |
| 策划与实施 |
（7）面向家居场景的跌倒行为分析技术研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于可穿戴设备的跌倒检测技术 |
| 1.2.2 基于计算机视觉的跌倒检测技术 |
| 1.3 主要任务与目标 |
| 1.4 论文结构安排 |
| 第二章 相关理论基础 |
| 2.1 引言 |
| 2.2 神经网络人工轻量化方法 |
| 2.2.1 卷积核设计 |
| 2.2.2 网络架构设计 |
| 2.3 神经网络自动轻量化方法 |
| 2.3.1 NAS初始构建法 |
| 2.3.2 Auto ML模型压缩法 |
| 2.4 本章小结 |
| 第三章 基于改进GMM的人形轮廓分析提取算法 |
| 3.1 基于改进GMM的前景快速提取方法 |
| 3.1.1 高斯混合模型介绍 |
| 3.1.2 图像灰度化 |
| 3.1.3 背景训练 |
| 3.1.4 前景提取 |
| 3.1.5 背景更新 |
| 3.1.6 形态学处理 |
| 3.1.7 模型快速移植加载机制 |
| 3.2 人形轮廓初始提取 |
| 3.3 人形轮廓后续提取 |
| 3.3.1 人形轮廓的最小外接矩形 |
| 3.3.2 基于交并比与重心距离的轮廓跟踪法 |
| 3.4 实验验证 |
| 3.5 本章小结 |
| 第四章 基于双流卷积神经网络的跌倒行为分析检测算法 |
| 4.1 MHI信息获取 |
| 4.1.1 运动历史图 |
| 4.1.2 基于MHI的运动方向提取 |
| 4.2 双流卷积神经网络模型 |
| 4.2.1 双流网络架构描述 |
| 4.2.2 融合判断 |
| 4.3 模型改进与优化 |
| 4.4 实验结果验证 |
| 4.4.1 数据集介绍 |
| 4.4.2 性能指标 |
| 4.4.3 性能测试 |
| 4.5 本章小结 |
| 第五章 面向家居场景的跌倒行为分析系统 |
| 5.1 需求分析 |
| 5.2 系统架构 |
| 5.3 系统实现 |
| 5.3.1 数据集预处理模块 |
| 5.3.2 跌倒识别模块 |
| 5.3.3 报警求救模块 |
| 5.4 系统测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（8）基于面向对象和深度学习的矿区无人机影像地物提取（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 无人机遥感研究现状 |
| 1.2.2 面向对象分类技术研究现状 |
| 1.2.3 深度学习图像分类研究现状 |
| 1.2.4 矿区地物提取研究现状 |
| 1.3 研究内容 |
| 1.4 研究方法和技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 组织结构 |
| 2 数据的获取和预处理方法 |
| 2.1 试验区域概况 |
| 2.2 无人机影像数据获取 |
| 2.3 无人机影像数据预处理 |
| 2.4 基于卷积神经网络进行地物提取的数据集建立 |
| 2.5 基于全卷积神经网络进行地物提取的数据集建立 |
| 2.5.1 影像分割 |
| 2.5.2 影像分类 |
| 2.5.3 人工校正 |
| 2.6 本章小结 |
| 3 基于卷积神经网络进行地物提取 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络基本结构 |
| 3.1.2 激活函数 |
| 3.1.3 损失函数 |
| 3.2 基于卷积神经网络的提取方法 |
| 3.2.1 输入数据的尺寸选择 |
| 3.2.2 网络选择与构建 |
| 3.2.3 深度学习框架及网络训练 |
| 3.2.4 基于卷积神经网络提取地物的分类结果分析 |
| 3.2.5 基于卷积神经网络的集成学习 |
| 3.3 本章小结 |
| 4 基于全卷积神经网络进行地物提取 |
| 4.1 全卷积神经网络 |
| 4.1.1 基本原理 |
| 4.1.2 上采样层 |
| 4.1.3 U-Net全卷积神经网络 |
| 4.2 基于全卷积神经网络的提取方法 |
| 4.2.1 网络选择与构建 |
| 4.2.2 网络训练 |
| 4.2.3 基于全卷积神经网络提取地物的分类结果分析 |
| 4.2.4 基于全卷积神经网络的集成学习 |
| 4.3 本章小结 |
| 5 结果与分析 |
| 5.1 评价标准与指标 |
| 5.2 分类结果分析 |
| 5.2.1 分类效果对比 |
| 5.2.2 分类精度分析 |
| 5.3 集成模型分类效果分析 |
| 5.3.1 基于卷积神经网络的集成模型分类效果对比 |
| 5.3.2 基于全卷积神经网络的集成模型分类效果分析 |
| 5.4 膨胀腐蚀算法 |
| 5.4.1 膨胀腐蚀基本原理 |
| 5.4.2 不同内核参数对比实验 |
| 5.4.3 优化前后分类效果对比 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 成果目录清单 |
| 致谢 |
（9）基于Python机器学习的大气环境下材料失效数据分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 大气环境下材料失效数据分析的研究意义 |
| 1.2 机器学习发展概况 |
| 1.2.1 机器学习理论 |
| 1.2.2 机器学习的应用概况及前景 |
| 1.3 材料失效领域机器学习应用的发展现状 |
| 1.4 本论文的研究意义及内容 |
| 1.5 本文创新点 |
| 第二章 实验材料及方法 |
| 2.1 实验材料及试样准备 |
| 2.2 实验方法 |
| 2.2.1 大气曝晒 |
| 2.2.2 材料性能检测方法 |
| 2.2.3 数据处理方法 |
| 2.3 试验仪器 |
| 第三章 基于pandas和numpy的原始数据清洗与分类 |
| 3.1 skleran、numpy和pandas库的简介 |
| 3.2 数据归一化 |
| 3.3 环境数据的预处理 |
| 3.4 本章核心代码 |
| 3.5 小结 |
| 第四章 基于Extra Trees算法的环境因素影响量化模型 |
| 4.1 Extra Trees算法 |
| 4.2 基于Extra Trees算法的环境因素影响量化模型 |
| 4.2.1 环境因素对涂层失光率的影响量化模型 |
| 4.2.2 环境因素对涂层厚度减薄率的影响量化模型 |
| 4.2.3 环境因素对PC试样拉伸性能的影响量化模型 |
| 4.2.4 环境因素对PC试样冲击性能的影响量化模型 |
| 4.2.5 环境因素对PC试样弯曲性能的影响量化模型 |
| 4.3 模型评价 |
| 4.4 本章核心代码 |
| 4.5 小结 |
| 第五章 基于多层感知机神经网络的材料耐候性分析模型 |
| 5.1 多层感知机神经网络 |
| 5.2 基于多层感知机神经网络的聚碳酸酯耐候性评价模型 |
| 5.3 模型评价 |
| 5.4 本章核心代码 |
| 5.5 小结 |
| 第六章 基于PyQt的材料腐蚀与老化数据分析程序 |
| 6.1 PyQt简介 |
| 6.2 图形化用户界面 |
| 6.3 本章核心代码 |
| 第七章 全文总结 |
| 参考文献 |
| 致谢 |
| 附录 |
| 在学期间发表的学术论文和参加科研情况 |
（10）基于无人机影像和深度学习技术的建筑物分类和统计 ——服务于震前预评估的建筑物快速调查（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 选题背景与意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要的工作内容 |
| 第二章 研究区概况与数据获取 |
| 2.1 研究区概况 |
| 2.2 无人机数据获取 |
| 2.2.1 无人机数据获取 |
| 2.2.2 无人机数据预处理 |
| 第三章 研究区房屋结构分类依据的确定 |
| 3.1 单层房屋的结构划分 |
| 3.2 双层房屋的结构划分 |
| 3.3 三到六层房屋的结构划分 |
| 3.4 六层以上房屋的结构划分 |
| 第四章 研究区房屋建筑的提取 |
| 4.1 面向对象的影像分析方法 |
| 4.2 多尺度分割 |
| 4.2.1 多尺度分割概述 |
| 4.2.2 区域合并算法 |
| 4.2.3 多尺度分割流程 |
| 4.2.4 分割参数的选择 |
| 4.3 研究区影像的分类 |
| 4.3.1 分类的特征选择 |
| 4.3.2 分类方法的选择 |
| 4.3.3 分类结果 |
| 第五章 研究区房屋结构的分类 |
| 5.1 依据房屋高度信息对提取出的房屋分组 |
| 5.2 待分类房屋相对位置信息的提取 |
| 5.3 房屋结构的分类 |
| 5.3.1 深度学习概述 |
| 5.3.2 训练集图像的选取 |
| 5.3.3 卷积神经网络的选择 |
| 5.3.4 神经网络模型的构建 |
| 5.3.5 分类结果及精度评价 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 攻读学位期间发表的学术论文 |
四、面向腐蚀工程的人工神经网络应用设想（论文参考文献）
- [1]面向智能终端的深度网络手写识别研究[D]. 洪林. 南京信息工程大学, 2021(01)
- [2]基于物联网技术的水稻生长环境监测系统及关键技术研究[D]. 孙志朋. 吉林大学, 2021
- [3]面向智能除草机器人的苗草图像分割算法研究[D]. 喻刚. 昆明理工大学, 2021(01)
- [4]智慧林业中立体感知体系关键技术研究[D]. 王艳华. 东北林业大学, 2021
- [5]面向在役核容器内壁缺陷的涡流检测工艺与定位重构研究[D]. 张虎龙. 兰州理工大学, 2021
- [6]中国桥梁工程学术研究综述·2021[J]. Editorial Department of China Journal of Highway and Transport;. 中国公路学报, 2021(02)
- [7]面向家居场景的跌倒行为分析技术研究与实现[D]. 赵前龙. 南京邮电大学, 2020(02)
- [8]基于面向对象和深度学习的矿区无人机影像地物提取[D]. 李琦. 北京林业大学, 2020(02)
- [9]基于Python机器学习的大气环境下材料失效数据分析[D]. 彭敦诚. 机械科学研究总院, 2020(01)
- [10]基于无人机影像和深度学习技术的建筑物分类和统计 ——服务于震前预评估的建筑物快速调查[D]. 吴浩霖. 中国地震局地质研究所, 2020(03)