基于灰度变化率的低对比度CT图像分割研究

整幅工业CT图像具有部分区域对比度低,灰度范围狭窄,灰度变化不明显等特点,针对传统的缺陷分割方法无法对低对比度区域的缺陷进行精确分割的问题,提出一种基于灰度变化率的缺陷分割方法.通过提取图像中某点的灰度值并计算该点与其周围邻域内点的平均灰度值的变化率、差值以及方差,选取符合图像分割条件范围内的点作为边界点,从而提取工业CT图像中低对比度区域缺陷的边界并进行分割.仿真实验表明,本文方法分割CT图像的缺陷准确率可达到95%,能够快速确定缺陷区域,并准确、有效地分割提取缺陷.     

基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明:提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。      

基于颜色空间和面部特征的驾驶员面部定位方法

介绍了一种快速检测和定位驾驶员面部区域的方法。首先将驾驶员面部图像映射到YCbCr颜色空间,建立肤色高斯模型;然后通过似然图自适应阈值分割获得驾驶员面部区域,对获得的二值化面部图像进行形态学操作消除毛刺和小孔;最后对处理后的面部图像进行灰度积分投影,结合面部特征获得驾驶员的面部区域并框定。并试验证明了方法的实时有效性。     

基于红外图像增强算法的混凝土内部缺陷检测研究

由于混凝土的不良导热性能,传统红外检测方法分辨率低、缺陷特征不明显.针对上述问题,研究了结合红外热像和增强图像算法的混凝土内部缺陷检测方法;开展了混凝土中不同深度、大小的缺陷的红外检测试验,并采用时域拟合与限制对比度直方图均衡算法相结合的方式对红外检测图像进行处理;对比了处理前后的热像图缺陷识别效果.试验结果表明:算法应用后缺陷识别所需温差从0.3℃降至0.1℃,边缘细节得到优化,提高了红外图像混凝土内部缺陷检测的精度和实用范围.该方法拓展了红外热像在混凝土无损检测中的应用范围.     

高铁扣件的自适应视觉检测算法

为了实现高铁缺陷扣件的准确、快速和自动化检测，提出一种基于图像处理技术的高铁扣件自适应视觉检测算法. 针对高铁扣件图像的特性，使用改进的LBP (local binary pattern)算子提取扣件的显著特征；在扣件特征图的基础上，采用模板匹配算法得到扣件区域在原始图中的精确位置，进而得到扣件子图并用扣件的位置信息校验定位结果；以相邻两个扣件子图的差值作为判断依据，如果差值大于预设的阈值，相应的扣件则被判断为缺陷扣件. 将该检测算法应用于高铁工务部门提供的真实扣件图. 研究结果表明:本文提出的自适应扣件检测算法在雨天的表现最差，检出率为96%，误检率为0.50%；在晴天的表现最好，检出率为100%，误检率为0.22%；在不同天气、光照、环境下的综合检出率为99%，综合误检率为0.33%.      

基于Radon变换的钢轨表面快速提取

针对已有的提取钢轨表面方法在提取钢轨表面时存在过提取和欠提取的缺点,提出了一种基于Radon变换的快速钢轨表面提取方法.首先,根据钢轨表面区域向非钢轨表面区域进行过渡时像素点的灰度值会产生突变,用Radon变换生成原图像的灰度投影曲线及其投影曲线的平均值;然后,以投影曲线与其平均值的交点来确定积分的初始位置和结束位置.由于钢轨表面的宽度是确定不变的,因此从初始位置开始且以钢轨表面的宽度为区间对投影曲线进行灰度积分,直到结束位置,在此区间所得到的最大积分区间为要提取的钢轨的表面区域.将仿真结果与其它方法相比较表明:该方法抗噪能力强,而且还能准确、快速的提取钢轨表面区域.     

日间高速公路侧后方车辆识别方法

为帮助驾驶员发现目标车道侧后方车辆尤其是视野盲区内车辆,从而避免或减少换道过程中发生的交通事故,提出了日间在高速公路上识别侧后方车辆的新方法.根据路面灰度值,将日间图像分为正常光照和弱光照两类.由于车辆阴影的灰度小于路面平均灰度,根据两侧车道区域内存在的灰度突变确定出侧后方车辆的可能存在区域.对确定的区域采用相应的阈值分割方法进行图像分割.在对分割后的二值化图像去噪、边缘提取和细化,以及提取车辆直线水平边缘基础上,根据系列车辆统计获得的先验知识(车辆前车窗的大小及比例等)验证车辆的真实存在.试验结果表明,该算法具有较好的可靠性和鲁棒性.     

基于图像处理的道路拥堵快速检测研究

提出一种基于图像处理技术的城市道路车辆拥堵程度快速检测算法。为既能加快处理速度又可任意选取有车区域路段,提出人机交互的有车区域检测。利用拥堵图像和通畅图像纹理特性的差异,提出基于纹理分析的车辆密度估计。通过原始图像灰度降级和灰度共生矩阵计算及特征提取,从有车区域图像中提取能够反映车辆密度的能量和熵特征,经过特征值训练得到车辆拥堵判决阈值,实现道路拥堵检测。试验结果证明,该算法检测准确率高达99%,同时算法的处理速度能够满足工程中的实时性要求。     

基于阵列探头的超声缺陷检测仿真及其定位

以铝板为研究对象,首先基于超声仿真技术,设计了"单发多收"超声阵列探头,对位于铝板内部不同深度处的21类缺陷分别进行建模和仿真分析,并获取相应的时域信号;其次,基于主成分分析(principal component analysis,PCA),对各缺陷的幅频初始特征进行提取,获得各缺陷的特征向量;最后,采用概率神经网络(probabilistic neural network,PNN)对各缺陷进行定位分析。研究分别以21×9和21×4个缺陷为训练样本和测试样本,分析结果表明:缺陷定位的平均正确率为82.14%,96.43%,100%。研究论证了采用超声阵列探头,并结合主成分分析和概率神经网络,进行缺陷定位的有效性。     

基于红外图像处理的变电设备热故障自动诊断方法

针对变电设备热故障的诊断与定位问题,提出一种红外图像自动诊断方法。该方法利用二维Otsu阈值法对区域生长算法进行改进,以解决背景繁杂图像的目标提取问题;在分析反映设备外形特征的像素统计图的基础之上,根据极值规律实现对目标设备结构区域的划分;依据结构划分结果和故障诊断判据,最终实现变电设备热故障的精细化诊断与定位。实验表明,该方法在无人工干预的条件下较好地实现了变电设备的热故障诊断与定位,大大提高了故障诊断的效率和准确率。     

北京市共享单车出行的时空规律与需求预测研究

基于北京市摩拜单车的工作日骑行数据，利用非负矩阵分解算法(NMF)从时间和空间两 个维度深入探究共享单车的出行规律，并构建逆序群体稳定性指标(RPSI)改善 k 值选择过程。利用得到的出行规律，运用MATLAB构建基于非负矩阵分解算法的BP神经网络预测模型，对共享单车的出行需求进行预测，并分别与BP神经网络预测模型和长短期记忆(LSTM)神经网络预测模 型的结果进行对比。研究结果表明，共享单车可分为5种基本的出行模式，每个区域的出行都可以由这5种出行模式的线性组合来表达，其中的系数代表了每一种出行模式的强度和随时间变动情况。依据这5种出行模式的时间特征和空间特征，分别确定其出行含义：通勤出行中居住地到 地铁站的出行；通勤出行中地铁站到工作地点的最后一公里连接；居民其他的非通勤出行行为， 如休闲娱乐活动等；回程通勤出行中从工作地点到地铁站；回程通勤出行中从地铁站到居住区的最后一公里连接。最后，模型预测结果的对比分析显示，本文构建的基于非负矩阵分解算法的BP神经网络预测模型不管是在预测精度还是实际操作便捷性上都优于其他两种预测模型。     

基于灰色理论的网络课件质量等级评定研究

在分析网络课件特征的基础上，深入剖析了决定网络课件质量的各个要素；引入灰色理论，建立了网络课件质量等级评定模型。构建了灰色理论的评价架构，列出了基于灰色理论的评分矩阵、三角权函数、灰色评价系数、权重矩阵、评价向量矩阵和评价结论值，以对网络课件进行科学的质量等级评定提供依据。     

基于先验知识和BP网络的隧道爆破参数计算

为克服当前隧道爆破参数选取受人为因素影响的不足,以围岩普氏系数、隧道断面积、实际进尺和炮孔直径等为网络输入参数,以设计进尺、炸药单耗、周边孔距和掘进孔孔距等为网络输出参数,建立了含输入层、输出层和隐含层的神经网络模型,并给出了模型学习算法,提出了基于爆破先验知识的可加快模型求解收敛速度的网络学习约束条件.隧道爆破参数的实例计算结果表明,给出的网络模型及其算法能在借鉴已有爆破资料的基础上准确、快速计算爆破参数,并且获得理想的爆破效果.     

基于生成对抗网络的交通流参数实时估计模型

为有效调控道路网时空资源，需实时估计交通流参数。若要准确估计交通流参数，应详细考虑道路网交通流时空特征。本文基于生成对抗网络，提出一种能捕捉交通流时空特征的实时估计模型，即TSTGAN模型。该模型包括生成器和判别器两部分，生成器利用门控卷积神经网络 捕捉交通流的动态空间特征，使用基于注意力机制的长短期记忆神经网络分析交通流的动态时间特征；采用门控卷积神经网络与长短期记忆神经网络构建判别器；通过对抗方式训练生成对抗网络的生成器与判别器，实时获得交通流参数估计值。使用中国山东省淄博市12个卡口设备和美国加州洛杉矶市23个线圈检测器获得的交通流量数据，验证TSTGAN模型的可靠性。结果表 明，TSTGAN模型引入的时空模块能有效提取交通流的时空特征，所得均方根误差和平均绝对误差比现有模型分别降低2.12%~42.41%和1.66%~40.49%，证明所提TSTGAN模型可以提高交通 流参数的估计精度。     

基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

基于小波网络的斜拉桥施工预测方法

阐述小波神经网络模型法的基本原理与程序实施步骤,探讨了斜拉桥施工监测数据与小波网络间的联系,建立了基于小波网络的斜拉桥施工控制预测模型.以工程实例为背景,对武汉天兴洲长江大桥实际监控数据进行预测分析.研究表明:小波网络预测值与实测值基本一致,其精度满足工程及其控制的要求.     

基于模型组合的铁路集装箱运量预测

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

基于数据修正的改进型灰色-RBF网络预测

针对既呈趋势性,又呈波动性的时间序列难以预测的问题, 提出了基于失真数据的修正的改进型灰色-RBF网络预测模型及算法.即用改进型灰色模型提取趋势性因素,用神经网络处理波动性因素,另尝试性的提出还须排除异常干扰因素,即查找和修正序列的异常数据.并以南昌铁路车站旅客发送量预测为例,验证了算法的有效性,收到很好的预测效果.