面向交通工具金属材料的缺损识别算法

金属作为现代交通工具重要设备的主要材料,其缺损情况对交通工具的安全性具有重要意义.为了实现对金属设备的缺损情况进行自动识别,提出一种基于深层卷积神经网络的视觉检测算法,该算法着重于工业缺陷识别.设计了一种沙漏型特征融合模块和金字塔特征细化模块,兼顾准确率和速度,有效提升基于金属图像的缺损部位定位和分类效率,借助计算机平台训练判别模型实现自动检测.算法在公开图像数据集上取得了先进的测试结果,并在移动端设备中实现高效运行.     

事件检测概率神经网络模型的建立与验证

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置进行分析的基础上,建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段1-880实地线圈数据集和事件数据集验证模型,通过比较PNN模型与多层前向神经网络(MLF)模型的结果,发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高;平均检测时间(MTTD)比MLF模型短:但误报率(FAR)也较高。概率神经网络是高速公路事件检测的一种有效算法,其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

�¼�������������ģ�͵Ľ�������֤

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置分析的基础上，建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段Ⅰ-880实地线圈数据集和事件数据集验证模型，通过比较PNN模型与多层前向神经网络(MLF)模型的结果，发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高；平均检测时间(MTD)比MLF模型短；但误报率(FAR)较高。概率神经网络是高速公路事件检测的一种有效算法，其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

基于改进VGG模型的低照度道路交通标志识别

针对低照度情况下道路交通标志图像亮度偏低、饱和度过高、图像模糊、识别不精确等问题,提出一种基于膨胀卷积-VGG(dilated convolution-VGG,DC-VGG)模型的道路交通标志快速识别方法.首先,运用限制对比度直方图均衡算法(contrast limited adaptive histogram equalization,CLAHE)对图像H(色相)S(饱和度)V(色明度)空间中的V通道均衡化,实现低照度图像亮度增强;其次,在HSV空间中设定阈值分割出指定色彩,通过轮廓检测定位交通标志;然后,基于深度卷积对抗神经网络(deep convolutional generative adversarial networks,DCGAN)对真实的交通标志图像进行数据样本增强,以提高分类模型的鲁棒性;最后,提出DC-VGG轻量化模型实现交通标志快速识别.经验证,该方法达到94.12％的识别准确率,且能在硬件不佳的条件下实时检测.     

基于行车记录仪的高速公路路面状况巡查及报警系统

为解决目前路面破损状态自动检测采用专用摄影检测车检测费用高、检测结果需要专业软件分析不易普及应用的问题,提出一种基于行车记录仪的路面破损状况识别方法。以行车记录仪采集的视频图片、GPS数据为基础,建立基于行车记录仪图片的高速公路路面状况巡查及报警系统,实现路面破损状况识别及报警。系统利用行车记录仪采集的图片,基于卷积神经网络的深度学习算法,实现路面的破损自动识别;利用行车记录仪GPS定位数据以及GIS电子地图,实现行车记录仪图片的GIS地图实时显示及报警。     

雾天高速公路交通安全风险评估

以驾驶模拟器作为数据采集平台,采集雾天高速公路不同能见度车辆的车头时距数据,对车头时距分区间统计,不做任何假设,克服了仅以天气等级或是车速和能见度作为风险评估的指标、行车安全等级以仿真得到的曲线图来定性判定的缺点。选取能见度和车头时距作为指标,对雾天高速公路的交通安全进行了风险评估。运用 Fisher 最优分割编写 Matlab 程序。将风险分为4级,以车头时距出现的概率结合损失量的大小确定风险分级标准。采用 K 近邻非参数对风险进行预测,训练集及验证集的分类误差均为0.7%,验证该模型具有有效性。     

基于粒子群优化SVM的高速公路交通事件检测

为了更加准确地检测出高速公路上的偶发性交通事件,采用一种粒子群优化SVM参数的高速公路交通事件检测算法,提升事件检测效果。文中运用高速公路实测数据集（L880）,对支持向量机算法进行分类性能测试,并且采用改进的粒子群优化算法对支持向量机的参数进行优化,进而利用测试集数据对该模型进行验证比较,获得满意的检测效果。     

基于多源异构信息融合的智能汽车目标检测算法

针对智能汽车单一传感器环境感知的局限性,提出一种基于GPS、双目深度相机、16线激光雷达等多源信息融合的环境感知算法,解决单一传感器环境感知的局限性问题.算法在GPS时间同步基础上,将单一传感器标定后的数据作为改进联合标定算法输入,求解多源传感器最优空间变换矩阵.使用SVM分割点云及欧式聚类提取点云信息的几何特征,获取障碍物的位置信息;利用空间变换矩阵将障碍物点云信息变换到图像坐标系,并将3D点云映射为2D点云信息;融合基于深度学习算法求解的图像中障碍物位置信息与类别信息,实现目标检测.经KITT1数据集及实车测试验证,该算法准确率在78.13％～85.56％之间,每帧数据检测平均耗时0.16～0.19 s,在光照变化、目标遮挡环境下均能有效的进行目标检测,具有较好的工程应用前景.     

基于轻量级卷积神经网络的烟雾识别算法

由于烟雾图像场景模糊不清，背景复杂多变，难以捕获到有效特征，导致算法识别误报率和漏报率较高；此外，深度卷积神经网络结构复杂，参数繁多，难以缩短其计算时间至1 ms内，这成为实时火灾预警的一大难题. 为了解决上述问题，提出了一种基于4种Inception结构的轻量级卷积神经网络SInception （sequeeze-and-excitation inception）在此基础上加入SE Block （sequeeze-and-excitation block）用于对烟雾特征进行重新分配；同时，为了避免由于训练样本不足引起的过拟合，原始数据集上采用数据增强技术以及生成对抗网络生成更多训练样本，并在后续实验中采用了融合暗通道先验特征的策略. 实验结果表明:该网络在增强的数据集GAN-Aug-YUAN上将识别误报率降为0的同时将准确率提升至99.65%，且计算时间减少到0.26 ms.      

基于多SVM分类器融合的高速公路异常事件检测方法

提出了一种利用多SVM分类器对高速公路中的复杂交通信息进行有效融合的异常事件检测方法.首先,将初始训练集划分为互不重叠的子集,为每个子集训练分类器.给定一个输入向量,利用分类器求得其所属的类别标签,并计算出该向量对特定簇的隶属度.其次,利用概率方法将多SVM分类器分类结果进行融合,得到最终分类结果.接下来,将“车流量”、“行车速度”、“道路占用率”、“相邻监测站的车流量差值”、“速度差值”以及“道路占用率差值”等交通参数表示为特征向量,分别输入到经过训练的SVM分类器,并将多SVM分类器融合后的分类结果作为判别异常事件的依据.最后,从5个具有代表性的高速公路路段采集到的交通数据构造实验数据集.实验结果表明,对比单一SVM和LS-SVM,文章提出的基于多SVM分类器融合的高速公路异常事件检测方法可以有效提高高速公路异常事件检测的准确性和可靠性,弥补了仅使用单一交通参数进行异常事件检测的不足.     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

基于深度学习的车辆异常事件检测研究

基于全连接神经网络以及在高速公路场景下采集的真实车辆数据,设计一种车辆异常事件检测方法。所设计的方法利用激光雷达检测出目标与车道线信息,经过计算组成具备时空特征的输入数据,在将目标数据制作成数据集后,利用神经网络进行训练并提取输入数据的多维度特征,实现车辆异常事件检测。之后利用异常事件检测的时间信息与激光雷达和视频相机的目标融合数据,在视频数据中进行事件取图并加以验证。所述方法的总体检出率为 97.11%,准确率为 97.10%,相关值均高于传统事件检测算法,且算法耗时与传统事件检测算法相比更少。试验证明相应方法能更快速、更准确地识别车辆异常事件。     

基于物联网的高速公路全路段气象检测与交通信息实时提示系统

恶劣的气象和道路条件易引发高速公路交通事故,造成人民生命财产的重大损失,因此很有必要提前向司乘人员发布前方路段的气象和路况信息,警示驾驶员提前绕道或做好防范措施.高速公路全路段气象检测与交通信息实时提示系统是为此目的而研制的一种基于物联网技术的可实现人、车、路互动的提高高速公路行车安全的新型设备.该设备近几年在多条高速公路使用,大大地降低了交通事故的发生率,提高了行车安全,取得了较好的经济和社会效益.     

基于MobileNet-SSD的铁路信号灯检测识别

为解决铁路轨旁信号灯的定位与实时检测问题,在深入分析传统SSD算法与MobileNet模型的基础上,将MobileNet模型的最后平均池化层、全连接层转换为SSD算法的多尺度特征映射层,提出了一种基于MobileNet-SSD的铁路信号灯检测算法.实验结果表明:该算法克服了传统SSD算法对小目标识别不准确、检测实时性较差的问题,检测速度更快,准确率更高;在50 m监控范围内,算法的平均检测准确率达到85%以上,同时具有25帧/s的实时识别能力.     

基于双向自适应门控图卷积网络的交通流预测

针对路网交通流时空依赖上的高度复杂性以及数据污染的现实性,基于图神经网络构建一种新型时空融合交通流预测模型。考虑交通流数据中的缺失、异常与噪声,模型首先对数据进行特征重构与融合,在保持时序特性的前提下,以滑动时间窗口平滑交通流特征信息,做好数据准备。考虑交通流的实际有向性,主体模型采用正、反双路网络设计以分向学习交通流时空特征的有效表示。双路网络结构相同,以轻量有效的因果卷积作为模型的时序特征提取器,以多层自适应门控图卷积神经网络作为模型组件提取空间特征,实现信息的自适应聚合与传播,再通过纵向信息聚合层轻量化地实现不同局部视野下的信息融合,基于注意力有效权衡两路网络的信息贡献并将其聚合,建立双向自适应门控图卷积网络交通流预测模型。在真实交通流基准数据集PEMS03、PEMS04、PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在4个数据集上3个预测精度指标均优于基线模型。同时,相较于最先进的基线模型时空同步图卷积网络与时空融合图神经网络,所建模型能以数倍甚至数十倍比例的参数轻量化与低训练时间代价获得更高的预测精度。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

基于卷积神经网络的汽车试验场外物入侵识别

为了对汽车试验场的外物入侵进行识别并预警,结合现有监控系统,利用Tensorflow搭建Faster-RCNN框架,分别使用Inception V2和Res Net101作为核心卷积神经网络,用自建的标注数据集进行最终训练,利用得到的模型进行迁移测试,试验结果表明:Inception V2系统的平均精度值为81.7%,Res Net101系统的平均精度值为84.1%。将两种系统结合Opencv的图像抓取功能及现有摄像监控设备进行联合测试,结果表明两种系统均能在阴天和低像素摄像头搭配下实时对高速或慢速移动的物体进行识别、分类、标注、预警。     

改进多层分类策略的随机森林网络入侵检测方法

在当前网络入侵检测方法研究中,存在样本数据不平衡的问题,小样本数据(异常数据)过少是检测准确率低的重要原因,现有方法对小样本数据存在检测率低的问题.为了解决该问题,提出一种改进多层分类策略的随机森林网络入侵检测算法,该算法使用随机森林作为基本单元构建多层模型.首先,在不同层划分出不同的超类,在划分超类前,利用聚类质心技...     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支权重并对各分支多通道特征图进行加权融合;最后根据融合特征图,利用多层感知机预测下一时段交通流.基于加州交通运输部性能测试系统中的高速公路交通流数据设计实验进行模型验证和对比分析.实验结果表明,在大多数站点,MKAN模型的预测均方根误差和平均绝对误差低于长短期记忆网络、门控循环单元、K近邻算法和支持向量回归模型,对140号站点进行全天交通流预测,在1d内的各时段,MKAN模型预测绝对误差均小于其他对比模型;相比于单核卷积神经网络,在绝大多数站点,MKAN模型预测结果的均方根误差和平均绝对误差降低7％以上,对31号站点进行全天交通流预测,在1d内的大多数时段,MKAN模型预测绝对误差小于其他单核卷积神经网络.实验证明,多核自适应网络可有效提高交通流预测准确率,其预测效果优于部分传统预测模型和单核卷积神经网络.     

基于地面三维激光扫描的高速公路沉陷量自动提取与分析研究

高速公路运维过程中,路面沉陷是影响行车安全的关键,传统多采用水准测量等技术方法,存在工作量大、周期长、易受外界条件影响等缺点。提出一种通过地面三维激光扫描点云自动判别路面沉陷的算法和分析方法,该方法先采用基于几何特征与迭代最邻近点算法相结合的方法进行点云配准,配准数据经过点云分类识别后,基于滑动窗口法提取道路特征线,建立高速公路的路面模型,并通过分析该模型得到沉陷区域、位置和沉陷深度等指标。为验证算法的可靠性与准确性,以一段运营维护阶段的高速公路为研究对象进行分析实验。通过算法处理与实测路面模型分析,发现距离高速公路实验段起点45 m处存在深度达40 cm的沉陷区。分析结果表明,采用提出的对激光点云数据处理算法和路面模型分析方法,可以高效、准确分析高速公路路面的沉陷情况。该方法的成功应用,对三维激光扫描技术的在交通领域的深度应用和有效推广有重要意义。