考虑岩体非均质性的隧道掌子面图像分级方法

针对隧道掌子面围岩等级识别主观性强、依赖技术人员经验，且同一隧道掌子面某一区域地质情况可能存在差异等问题，通过引入深度学习方法，结合掌子面图像滑窗识别技术，开展掌子面围岩等级自动识别研究。通过现场采集隧道掌子面图像共1 192张，建立隧道掌子面图像数据库，采用图像预处理技术对掌子面图像进行预处理以满足模型训练要求；构建AlexNet、ResNet34和ResNet50共3类卷积神经网络模型，并对比其性能优劣与适用性，获得识别准确率为85.2%的ResNet50最优模型；最后结合ResNet50模型建立掌子面图像滑窗识别技术，解决了非均质掌子面岩体分级效果差的问题，进一步提高识别准确率，实现隧道掌子面围岩等级自动识别。经过实际隧道工程应用，验证了该方法的可行性与适用性。     

车牌定位及车辆特征识别研究

车牌定位及车辆识别是智能交通管理的主要研究问题.车牌定位识别,通过对图像进行预处理并结合形态学能粗略获取候选车牌位置,对符合特征的候选车牌进行筛选,精确获取车牌位置,最后采用神经网络完成字符识别过程.车辆识别采用迁移学习,采用AlexNet卷积神经网络构造出深度特征向量.形态学能够应对灰度底质量差的情形,为字符识别提供保障.车辆识别时对比直接分类图片特征,迁移学习构造的深度特征分类精度为85.13%,提高了38%,验证了迁移学习的有效性,通过KNN算法表明深度特征能够表征图片属性.针对新数据集重新提取特征、训练样本将消耗大量时间,对比迁移学习和AlexNet框架发现分类精度持平,表明了迁移学习的鲁棒性.      

基于宽浅稠密网络的无人驾驶汽车交通标志牌识别

以稠密网络为基础设计了交通标志牌识别模型,重点研究数据集预处理网络,利用宽浅稠密网络提取图片特征,并构建了全局平均池化分类网络。利用翻转和数据增强方法对数据集进行扩增处理,采用动态数据扩增策略使模型适应训练数据的变化,在测试集上实现了99.68%的准确率。在标志牌清晰完整和模糊不全两种情况下验证模型识别效果,结果显示,模型未出现误检和漏检情况,在图像信息被破坏的情况下,仍能以最大置信度正确地识别标志牌,识别准确度高、抗干扰能力强,具有良好的鲁棒性及泛化能力。     

基于迁移学习的桥墩结构损伤识别方法

提出一种深度学习的桥墩结构损伤识别方法,该方法通过迁移学习(TL)将源模型的权重和参数转移到目标模型上,加快深度模型的训练速度、提升模型损伤识别精度。使用连续小波变换将振动信号转换成时频图作为深度模型的输入,构建可识别砼结构损伤的深度模型,该模型的固定部分使用源模型的权重和参数,非固定部分的权重和参数使用新的数据训练得到;通过试验及仿真对该模型的有效性进行验证,试验方面使用砼桥梁在有损伤和无损伤时的振动信号,仿真采用ABAQUS/CAE建立砼塑性损伤识别模型(CDP)并采集振动信号;将文中方法与从零开始训练的深度卷积神经网络(CNN)及支持向量机(SVM)方法进行对比,文中方法在试验数据上的识别精度达99.1%,在仿真数据上的精度达100%,相对于传统识别方法,该方法可提高损伤识别精度和模型训练速度。     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.      

考虑低光照场景的自适应路面病害检测模型

为提升低光照环境下路面病害识别模型的精确度与鲁棒性，提出了一种考虑低光照场景的自适应路面病害检测模型。将采集的数据按照亮度分成低光照图像和正常光照图像2类，随后对低光照图像进行自适应增强，并接入路面病害检测流程。为解决现有光照增强图像失真的问题，在Zero-DCE++基准模型上引入光照约束网络，提出了光照增强模块Zero-DCE-Retinex。在此基础上，以提升路面病害检测精度为核心需求，提出了以病害识别模型为驱动的光照增强模块训练策略。具体的，在训练过程中，将病害识别模型嵌入光照增强模块，并通过损失函数来引导光照增强模块的训练。试验结果表明：当使用所提模型对低光照图像进行增强后，再经过YOLOv7模型进行检测，比直接输入低光照图像的方式，AP指标提升了7.04%,F1-score指标提升了11.22%;图像质量亦得到进一步改善，表现在图像信息熵、标准差和平均梯度的提升分别为0.62、13.24和21.61。与同类无监督光照模型相比，所提模型在目标检测任务的AP和F1-score提升方面显著优于其他模型，同时有效避免了增强结果出现色彩失真和过度曝光等问题。因此，提出的模型可广泛适用于...     

交通视频辅助的桥梁动态称重方法研究

为了进一步提升既有的桥梁动态称重技术，提出一种交通视频辅助的新型桥梁动态称重方法。首先介绍基于深度神经网络的计算机视觉目标检测技术和一种计算机视觉坐标转换方法，实现从交通监控视频中实时地探测与定位桥上行驶的车辆和车轴。然后引入桥梁应变分解方法和应变影响面识别方法，建立车重、车辆位置与桥梁应变之间的映射关系，从而建立一种综合利用时间和空间冗余信息对车辆进行称重的方法。该方法构建超定的影响面加载方程组，使用最小二乘法求解该方程组以得到桥上行驶车辆的轴重和总重。最后总结出一套交通视频辅助的桥梁动态称重方法框架。为验证以上方法，在某连续大箱梁桥的缩尺模型以及实桥上进行试验。试验包含单车、双车、跟车、并行、直行、变道、匀速、变速等复杂交通工况。模型试验结果表明：该方法的车辆总重识别误差均值为-2.02%，标准差为4.77%；车辆轴重的识别误差均值为4.77%，标准差为17.50%。实桥试验结果表明：该方法的车辆总重识别误差均值为0.21%，标准差为1.53%；车辆轴重的识别误差均值为-3.59%，标准差为42.67%。除此以外，所提出的方法还可用于识别桥上车辆的数量、类型、轴数、实时位置、运动轨迹、行驶速度等多粒度交通信息。     

基于BERT-Bi-LSTM-CRF模型的自主式交通系统参与主体识别方法

自主式交通系统(ATS)的重要组成部分是参与主体，参与主体的信息通常依靠文本进行描述。为构建自主式交通知识图谱，需要从文本中准确地识别出大量参与主体。为此，研究了基于BERT-Bi-LSTM-CRF模型的实体识别方法，对自主式交通系统参与主体进行抽取。词嵌入模型BERT为预训练语言模型，用以捕获丰富的语义特征，将捕获的语义特征输入到双向长短时记忆神经网络(Bi-LSTM)模型中提取上下文双向序列信息，经条件随机场(CRF)处理得到最优序列预测结果。收集交通专业相关的原始语料，经过数据预处理与文本标注，形成了可用于自主式交通系统参与主体识别的语料库，基于此数据开展实体识别对比实验。结果证明:BERT模型显著提升了自主式交通系统参与主体识别任务的性能。相较于传统方法CNN-LSTM或Bi-LSTM等，所提方法可以得到最佳综合识别效果，各实体的综合F1值为86.81%，表明通过BERT模型提取参与主体的语义特征，可以增强识别方法的泛化能力。“使用者”“运营者”“提供者”“规划者”“维护者”类实体的F1值分别为90.35%，92.31%，90.48%，93.33%，95.00%。验证了所提方法识别自主式交通系统参与主体的有效性。      

干道交通状态识别及演变机理研究

为减少城市交通拥挤、避免交通瘫痪、保障出行安全,在综合分析交通信息采集技术、交通状态识别、交通状态演变研究现状的基础上,对干道交通状态识别及演变机理进行分析,建立适用于精细化交通管控的城市道路交通状态识别及预测框架,主要包括基于深度学习结合视频跟踪算法提取交通参数、基于路段单元运用堆叠式稀疏自编码结合K-均值聚类对车道和路段交通状态进行精准判别、基于LSTM循环神经网络与3D-CNN卷积神经网络对交通状态进行预测;最后提出干道交通状态识别与预测面临的挑战和研究方向。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。     

基于多任务迁移学习的交通警情信息自动处理方法

从交通警情数据中自动获取信息对于快速处理交通事故和提高交通管理水平具有重要的意义。为此，提出了一种基于多任务迁移学习的交通警情信息自动处理方法，该方法上游采用文本预训练模型作为共享参数层，下游建立多任务并行学习方法，实现对交通警情中的关键信息、类型和语义自动处理。选取江苏省苏州市2年内共120 191条原始交通警情作为试验数据，通过自动处理方法构建了一套标准的交通警情信息数据库。试验结果表明：所建立的关键信息抽取方法可以更精准地提取警情数据中的时间、地址和车牌信息；交通警情分类模型性能优于现有的深度学习模型，分类准确率达93%；基于局部特征增强的警情语义分析方法重点识别了警情中事故的严重程度和救援需求，识别准确率达87%。研究结论显示交通警情自动化处理方法具有良好的可移植性和实用性。     

基于深度学习的交通信号灯检测及分类方法

交通信号灯的在线识别是无人驾驶和辅助决策系统中的重要研究内容,文章给出了一种基于深度学习的交通信号灯识别和分类方法,该方法使用YOLO(You Only Look Once)模型,基于Microsoft COCO数据集的预训练模型进行二次迁移学习:先使用Bosch数据集进行迁移学习,再使用自制数据集做迁移学习。测试表明该方法训练后的模型具有较高准确率和实时性。同时,文章给出了基于检测结果提取综合路况信息的策略。     

数据驱动的智能车个性化场景风险图构建

为实现智能车辆危险预警辅助功能，精确建立个体驾驶员的个性化辅助系统，提出一种数据驱动的智能车个性化场景风险图构建方法。构建复杂交通场景中动静态要素属性与要素之间隐含交互关系的图表征，使用图核方法对图表征数据进行相似性度量，处理分析驾驶员操作数据并获取驾驶员个性化场景危险程度评价标签。基于支持向量机训练识别模型，建立驾驶员个性化危险评价机理与场景特征之间的映射关系，以模型输出的危险程度评价标签与真实值进行实验对比。结果表明，基于场景风险图构建的驾驶员个性化危险场景识别模型识别准确率可达95.8%，比特征向量表示法提高了38.2%，能够有效地做出基于驾驶员驾驶风格的个性化场景危险程度评价。     

车路协同条件下智能网联汽车一体化决策模型

为了探索当前有限数据条件下面临的无限交通场景问题,提出车路协同条件下基于深度强化学习智能网联汽车决策模型。利用Actor-Critic机制,以highway-env为数据来源,抽取144 h交通数据作为训练数据并进行验证,分析了智能网联汽车在不同车道数条件下的驾驶行为。结果显示,本模型汽车行程时间减少20%以上,碰撞概率减少25%以上,换道轨迹可以通过动力学跟踪。     

基于深度学习的钢桥桥面铺装病害识别与量化方法

受反复的交通荷载、温度变化、风载等的影响,钢桥桥面铺装的应力状态复杂,加上柔性的桥面铺装与刚性钢桥结构力学相容性问题,钢桥桥面铺装易出现早期病害。为了识别、分类和量化钢桥桥面铺装典型病害,文中提出一种基于深度摄像头Kinect V2和深度学习的桥面铺装病害识别方法。先通过传感器采集桥面铺装病害图像,创建带标识的数据库,并将其转化为训练集,然后利用YOLOv5对训练集的原始数据进行训练、验证与测试,获得桥面铺装病害识别、分类和量化结果。结果表明,基于深度学习,利用随机采样一致性(RANSAC)可以实现RGB-D传感器在不同工作距离上的平面拟合,达到对桥面铺装病害的高效识别,各类病害的识别误差均可控制在10%以内;与人工识别方法相比,利用简单图像采集设备和机器学习的智能识别方法能以较低的成本在不影响交通的条件下完成钢桥桥面铺装病害识别与量化,计算效率更高,可大大节省人工和时间成本,且能保证识别结果在一定精度范围内。     

面向自动驾驶汽车测试的交通车辆交互过程建模

为满足自动驾驶汽车测试对场景真实度的要求,提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集;采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型,结构相对简单的单体模型能提升场景模拟的可扩展性;针对自动驾驶汽车测试对模型鲁棒性要求高的问题,建立分布执行-集中对抗训练的架构进行交通车辆模型优化,提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真,通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。     

基于模型与数据驱动的结构健康监测异常检测

结构健康监测(SHM)系统在土木工程中的应用日益普遍，因为它们可以跟踪结构状况并在突发情况下提供数据支持。尽管在改进数据异常检测以确保结构安全方面已经取得显著的成效，但能够在硬件上进行长期检测的算法仍然是一个悬而未决的问题。提出了一种新方法，该方法利用压缩技术来识别结构中的异常，避免将原始数据以连续流方式传输到服务器中，并以国内某桥梁的健康监测系统数据来测试所提出的异常检测算法。研究训练了3个压缩模型，即主成分分析(PCA)、全连接自动编码器和卷积自动编码器。结果表明，基于模型的方法，即PCA,可以达到更好的准确性；而数据驱动的模型，即自动编码器，其准确性与训练集大小有关，训练集越大，准确性越好。     

融合SAR分支深度学习的隧道病害识别与成像

随着交通事业的不断发展，大量隧道相继建设并陆续投入运营。在其运营过程中，隧道衬砌混凝土结构内部往往出现不可见的隐蔽病害，对工程安全带来了严重隐患。及时识别检测内部病害，预防安全事故的发生十分必要。探地雷达(Ground Penetrating Radar, GPR)是检测混凝土内部病害的主流无损检测技术，但探地雷达数据中的病害响应信号与实际结构内部病害形态并不存在直观的空间对应关系，从探地雷达数据中仅能估计病害的类型与大概位置，难以对其轮廓进行成像。针对上述问题，研究了基于探地雷达的隧道衬砌隐蔽病害智能识别技术，针对探地雷达数据特点，设计了融入合成孔径雷达(Synthetic Aperture Radar, SAR)成像处理分支的地下工程目标识别深度神经网络模型，通过在传统Unet网络中融入SAR成像分支，实现了对病害的准确成像，并成功对6种隧道衬砌常见的病害进行类型识别。采用仿真数据对该方法验证，结果表明本研究设计的融入SAR成像分支Unet网络的预测结果对6种病害的平均识别精度为96%,与传统Unet网络相比，精度提升了5%,由此证明本文构建的融入SAR成像分支的Unet网络有效提...     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。